近年来,正在积极开展研究,将人类高效模式识别方法应用于真正的计算机,以此解决将输入模式分类为特定群体的问题。
其中一项研究是对人工神经网络的研究,通过数学表达来模拟人类生物神经元的特征.
为了解决将输入模式分类为特定组别的问题,人工神经网络使用模仿人类学习的算法. 通过这个算法,人工神经网络可以生成输入和输出模式之间的映射,表明人工神经网络能够学习.
此外,人工神经网络还具有概括化能力,可以对输入模式产生相对正确的输出,这些输入模式没有根据学到的结果用于学习. 这样的人工神经网络包括相对多的层,为了学习包括许多层在内的大量人工神经网络结构,需要大量学习数据,特定的学习数据不需要过于匹配.
本文 与如何进行数据归纳以避免某些学习数据过于吻合有关的专利.让我来解释一下 博诺的专利没错
[被射
点击图像查看注册专利出版物。一般来说,当拍摄核磁共振或X射线时,实际的原始数据将具有人类无法预测的数据值. 因此,只有总数据值的一小部分被用作神经网络识别的图像.
根据专利, 利用从部分数据中随机提取的图像来学习神经网络..
具体来说,在决定将哪些数据作为源数据内的学习数据时,如何设定数据提取范围. 通过改变窗口的中心值和宽度值确定学习数据贡举志五种 上.
如果只提取某个特定区域的数据,那么神经网络只会了解该范围的数据,这可能导致问题,使得数据选择的过程更加随机,这样数据的一般化就是目前发明的核心. 也就是说,目前发明的核心是随机改变窗口的中心和宽度值,以确定学习数据.
当通过改变窗口值来获取学习数据时,如这个专利,学习数据可以被普遍化,以提高学习效率.
本文基于发表时的情况撰写。如需就具体事项咨询，请联系IPLEX。