TWI709090B - 類神經人工智慧決策網路核心系統及其資訊處理方法 - Google Patents
類神經人工智慧決策網路核心系統及其資訊處理方法 Download PDFInfo
- Publication number
- TWI709090B TWI709090B TW108131431A TW108131431A TWI709090B TW I709090 B TWI709090 B TW I709090B TW 108131431 A TW108131431 A TW 108131431A TW 108131431 A TW108131431 A TW 108131431A TW I709090 B TWI709090 B TW I709090B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- module
- neuron
- tree structure
- generate
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
- Feedback Control In General (AREA)
Abstract
本發明係一種類神經人工智慧決策網路核心系統及其資訊處理方法,包括一電子裝置連結一非監督式類神經網路介面模組,一非對稱隱藏層輸入模組連結該非監督式類神經網路介面模組及一樹狀結構神經元模組,一層屬權重參數模組連結該樹狀結構神經元模組及一非線性分析模組,一先進回饋機制輸入模組連結該非線性分析模組及一修正模組,一先進回饋機制輸出模組連結修正模組及該非線性分析模組;該電子裝置收到原始資料時經各模組對原始資料進行處理、學習及資料、程序的更新,以產生適應各種情況的決策結果,藉此達到提升決策結果的參考價值、實用性的目的。
Description
本發明係關於一種人工智慧決策系統及其方法,尤指一種類神經人工智慧決策網路核心系統及其資訊處理方法。
目前人工智慧決策系統,多採用單一型態的類神經網路,而類神經網路內所安排、設定使用的神經元所使用的資料結構均為傳統線性資料結構。
然而,上述傳統類神經網路係採用的線性資料結構進行資料訓練,其訓練結果單一,決策風格也容易與其他類神經網路相同,導致所產生的決策結果難以在不同情況之下而具有特色差異,也無法提供差異化的決策結果而更具有價值,又導致該決策結果的參考性低、使用性也低,進而影響其決策之效益。
有鑑於上述現有技術之不足,本發明的主要目的係提供一種類神經人工智慧決策網路核心系統及其資訊處理方法,係透過類神經網路,採用非線性分析方式結合回饋機制以提供可適用不同情況且具有差異化的決策結果,藉此提升決策結果的參考價值性、實用性。
為了達成上述目的所採取的主要技術手段,係令前述類神經人工智慧決策網路核心系統的資訊處理方法,係由一電子裝置安裝一個以上應用程式,並且由該電子裝置執行以下步驟:接收一原始資料;根據該原始資料產生一預處理原始資料;根據該預處理原始資料產生一樹狀結構資料;對該樹狀結構資料進行權重計算,以得到一權重參數資料;根據該權重參數資料進行一非線性計算程序,以產生一非線性計算資料;對該非線性計算資料進行修正,以產生一資料修正回饋資訊;根據該資料修正回饋資訊更新該非線性計算程序,以及輸出對應的一決策結果資訊。
根據上述方法可知,藉由對該原始資料進行層層資料處理後,對該非線性計算資料進行資料修正,以產生該資料修正回饋資訊,並且根據該資料修正回饋資訊回饋更新該非線性程序,以及輸出對應的決策結果資訊,藉此不僅使得本發明的方法得以適用不同的原始資料,以令輸出的決策結果資訊具有獨特性、適用性,以提升決策結果的參考價值性、實用性。
為達成上述目的所採取的另一主要技術手段,係令前述類神經人工智慧決策網路核心系統,其包括:一電子裝置,接收一原始資料;一非監督式類神經網路介面模組,連結該電子裝置;一非對稱隱藏層輸入模組,透過該非監督式類神經網路介面模組接收該原始資料,並執行一資料預處理程序以產生一預處理原始資料;
一樹狀結構神經元模組,連結該非對稱隱藏層輸入模組,包括多個神經元節點,並根據接收到的預處理原始資料進行一樹狀資料結構處理程序,以產生一樹狀結構資料;一層屬權重參數模組,連結該樹狀結構神經元模組,並根據該樹狀結構資料進行一權重參數計算程序以得到一權重參數資料;一非線性分析模組,連結該層屬權重參數模組,並根據該權重參數資料進行一非線性計算程序以產生一非線性計算資料;一先進回饋機制輸入模組,連結該非線性分析模組;一修正模組,連結該先進回饋機制輸入模組及該非線性分析模組,並透過該先進回饋機制輸入模組取得該非線性計算資料,且根據該非線性計算資料進行一資料修正程序以產生並輸出一資料修正回饋資訊;一先進回饋機制輸出模組,連結該修正模組及該非線性分析模組;其中,該先進回饋機制輸出模組透過該修正模組取得該資料修正回饋資訊,並將該資料修正回饋資訊回傳給該非線性分析模組,以更新該非線性計算程序,以及輸出一決策結果資訊。
透過上述系統可知,由該電子裝置接收到該原始資料並且經由該類神經網路介面模組傳輸到該非對稱隱藏層輸入模組後,根據該原始資料產生預處理原始資料,再經由樹狀結構神經元模組根據該預處理原始資料產生樹狀結構資料,接著該層屬權重參數模組對該樹狀結構資料進行權重計算,以得到權重參數資料,而後該非線性分析模組再根據該權重參數資料進行非線性計算程序,以產生非線性計算資料,再輸出該非線性計算資料到該修正模組,該修正模組根據該非線性計算資料進行處理後,經由該先進回饋機制輸出模組輸出該資料修正回饋資訊給該非線性分析模組重做該非線性計算程序,以及輸出對應的決策結果;藉由對資料的處理,以及將該修正結果資訊回傳給該非線性
分析模組重做該非線性計算程序,藉此使得本發明系統所提供的一決策結果得以適應各種情況,以提升決策結果的參考價值性、實用性。
10:電子裝置
11:非監督式類神經網路介面模組
12:非對稱隱藏層輸入模組
121:神經元
121’:神經元樹狀結構
13:樹狀結構神經元模組
131:跨神經元運算單元
132:神經元權重更新單元
14:層屬權重參數模組
141:激勵控制模組
1411:激勵函式切換單元
1412:拉普拉斯轉換單元
15:非線性分析模組
16:先進回饋機制輸入模組
16’:先進回饋機制輸出模組
17:修正模組
171:殘差分析單元
172:自我修正函式單元
173:訓練中斷機制單元
174:狀態暫存器
18:樹狀搜尋模組
181:重複節點防制單元
182:上限信賴區間搜尋單元
S31、S32、S33、S34、S35、S36、S37:步驟
圖1 係本發明較佳實施例的系統架構方塊圖。
圖2 係本發明較佳實施例的另一系統架構方塊圖。
圖3 係本發明較佳實施例的應用示意圖。
圖4 係本發明較佳實施例的另一應用示意圖。
圖5 係本發明較佳實施例的又一應用示意圖。
圖6 係本發明較佳實施例的方法流程圖。
關於本發明類神經人工智慧決策網路核心系統的較佳實施例,請參考圖1、2所示,其包括一電子裝置10,該電子裝置10係安裝有一作業系統,並且於該電子裝置10上執行一個以上應用程式,該電子裝置10包括一非監督式類神經網路介面模組11、一非對稱隱藏層輸入模組12、一樹狀結構神經元模組13、一層屬權重參數模組14、一非線性分析模組15、一先進回饋機制輸入模組16、一修正模組17、一先進回饋機制輸出模組16’;該非監督式類神經網路介面模組11連結該電子裝置10及該非對稱隱藏層輸入模組12,該樹狀結構神經元模組13連結該非對稱隱藏層輸入模組12及該層屬權重參數模組14,該非線性分析模組15連結該層屬權重參數模組14及該先進回饋機制輸入模組16,該修正模組17連結該先進回饋機制輸入模組16及該先進回饋機制輸出模組16’,該先進回饋機制輸出模組16’連結該非線性分析模組15。
在本實施例中,該電子裝置10具體可包括一傳統電腦如桌上型電腦或筆記型電腦、一平板電腦、一雲端伺服器或一量子電腦或具有執行程序、運算、處理等功能的電子裝置。
關於本發明類神經人工智慧決策網路核心系統的另一較佳實施例,請參考圖2所示,進一步包括一樹狀搜尋模組18,該樹狀搜尋模組18連結該樹狀結構神經元模組13、該修正模組17及該先進回饋機制輸出模組16’,該樹狀搜尋模組18具有一重複節點防制單元181及一上限信賴區間搜尋單元182。
在本實施例中,該樹狀結構神經元模組13進一步具有一跨神經元運算單元131及一神經元權重更新單元132;該層屬權重參數模組14進一步具有一激勵控制模組141,該激勵控制模組141具有一激勵函式切換單元1411及一拉普拉斯轉換單元1412(Laplace transformer unit);該修正模組17具有一殘差分析單元171、一自我修正函式單元172、一訓練中斷機制單元173及一狀態暫存器174。關於前述的跨神經元運算單元131、神經元權重更新單元132、激勵控制模組141、殘差分析單元171、自我修正函式單元172、訓練中斷機制單元173、狀態暫存器174、該樹狀搜尋模組18的具體內容請容后說明。
請參考圖1、3所示,當使用者經由該電子裝置10輸入一原始資料時,由該非監督式類神經網路介面模組11接收該原始資料,以將該原始資料輸入至一類神經網路進行分析、處理、學習、決策,該非監督式類神經網路介面模組11將該原始資料傳送到該非對稱隱藏層輸入模組12,該非對稱隱藏層輸入模組12對該原始資料進行一資料預處理程序,以產生一預處理原始資料,並且輸出給該樹狀結構神經元模組13。其中,如圖3所揭示,該非對稱隱藏層輸入模組12具有多個神經元121,其縱向排列之多個神經元121為該模組之非對稱隱藏層之個別分層,其個別分層之層屬權重可依先進回饋機制輸出模組16’之回饋資訊進行調整,該非對稱隱藏層輸入模組12係對該原始資進行該資料預處
理程序,以根據該等神經元121的數量對該原始資料進行設定、安排以及在該等神經元121之間的傳輸路徑規劃,以產生該預處理原始資料。
進一步的,請參考圖1、4所示,該樹狀結構神經元模組13對該預處理原始資料進行一樹狀資料結構處理程序,以產生一樹狀結構資料,其中,該樹狀結構神經元模組13係根據該預處理原始資料、該等神經元121進行該樹狀資料結構處理程序,以產生該樹狀結構資料,並且傳送給該層屬權重參數模組14;其中,該樹狀結構資料如圖6之S32~S34所述,乃基於原始資料所導出並用於權重計算,其中該樹狀結構資料如圖4所示包括該等神經元121構成的一個以上神經元樹狀結構121’,並如圖5所示該多個神經元樹狀結構121’藉由跨神經元運算單元131執行跨神經元之運算,以便透過所構成的神經元樹狀結構121’,進一步以隱藏層中各層神經元121所隱含的各層變量關係,對原始資料進行分析運算。
進一步的請參考圖1、4所示,該層屬權重參數模組14對該樹狀結構資料進行一權重參數計算程序,以得到一權重參數資料,並且輸出給該非線性分析模組15;其中,該層屬權重參數模組14係對該樹狀結構資料中的神經元樹狀結構121’中的每一個節點分別設定對應的一權重值WL1、WL2…,以建立每一個節點的權重關係,進一步的該層屬權重參數模組14的激勵控制模組141具有一個以上激勵函式,該激勵控制模組141透過該拉普拉斯轉換單元1412根據該激勵函式與該權重參數資料進行一拉普拉斯運算,以產生一拉普拉斯運算結果,並且該激勵控制模組141根據該拉普拉斯運算結果透過該激勵函式切換單元1411切換對應的激勵函式,以產生對應該權重參數資料的一激勵設定資料,藉此進一步提升該權重參數資料的適應性,並且有效的對資料進行蒐集,以取得更多對應的資料,並且提供給該非線性分析模組15進行該非線性計算程序,以產生更有參考價值的非線性計算資料。
請參考圖1、4所示,進一步的,該非線性分析模組15根據接收到的權重參數資料,對該權重參數資料進行一非線性計算程序,以產生一非線性計算資料,並且輸出給該先進回饋機制輸入模組16,以透過該先進回饋機制輸入模組16輸入至該修正模組17;其中,該非線性分析模組15的非線性計算程序係根據接收到該權重參數資料後,對該權重參數資料中的權重值進行一非線性回歸分析,以得到用於分析該等權重值的變量關係,並且產生用於分析該等權重值的一回歸分析函數模型,藉此用以分析、計算該權重參數資料,透過該非線性分析模組15對該權重參數資料進行該非線性計算程序,而產生的非線性計算資料,使得資料不易被盜用,也可使得資料適應不同情況。
請參考圖1、5所示,其中圖5揭示該先進回饋機制係由先進回饋機制輸入模組16、先進回饋機制輸出模組16’,以及修正模組17所包含的殘差分析單元171、自我修正函式單元172、訓練中斷機制單元173與狀態暫存器174所組成。其中,該修正模組17根據接收到的非線性計算資料,對該非線性計算資料進行一資料修正程序,以產生一資料修正回饋資訊,並且傳輸到該先進回饋機制輸出模組16’,以經由該先進回饋機制輸出模組16’傳送給該非線性分析模組15更新該非線性計算程序;其中,該修正模組17的殘差分析單元171接收到該非線性計算資料時,根據該非線性計算資料中的一個以上殘差值(誤差值)以及該回歸分析函數模型進行一殘差值計算程序,以產生一殘差分析資料,該殘差分析資料包括一殘差高斯分布數值、一殘差變數值等;該殘差分析單元171將該殘差分析資料傳送給該自我修正函式單元172,該自我修正函式單元172根據該非線性計算資料、該殘差分析資料進行一殘差修正函式計算程序,以產生該資料修正回饋資訊,此外,該訓練中斷機制單元173接收該資料修正回饋資訊,並且根據該資料修正回饋資訊判斷是否滿足一訓練中斷條件,若是該訓練中斷機制單元173產生一訓練中斷資訊,並且經由該先進回饋機制輸出
模組16’輸出至該非線性分析模組15,以中斷訓練,進一步的該狀態暫存器174儲存有一個以上中斷設定轉換資料,該訓練中斷機制單元173進一步可根據該狀態暫存器174內的中斷設定轉換資料產生對應的訓練中斷資訊。
進一步的,請參考圖1、5所示,當該先進回饋機制輸出模組16’接收到該資料修正回饋資訊後,該先進回饋機制輸出模組16’根據接收到的資料修正回饋資訊、原始資料、樹狀結構資料、權重參數資料、非線性計算資料進行處理,以產生對應的一決策結果資訊,供使用者參考。
進一步的請參考圖1、5所示,當該先進回饋機制輸出模組16’將該資料修正回饋資訊傳送到該非線性分析模組15,以更新該非線性計算程序時,該非線性分析模組15還將該資料修正回饋資訊傳送給該層屬權重參數模組14,該層屬權重參數模組14將該資料修正回饋資訊傳送給該樹狀結構神經元模組13,該樹狀結構神經元模組13的跨神經元運算單元131根據接收到的資料修正回饋資訊進行一神經元資料更新程序,以產生對應的一神經元更新資料,並且透過該神經元權重更新單元132更新該樹狀結構資料、該權重參數資料以及傳送給該非對稱隱藏層輸入模組12以更新該預處理原始資料,也就是更新該樹狀結構資料中的神經元樹狀結構121’的神經元的權重值。藉此在分析、訓練的過程中根據該資料修正回饋資訊持續修正各神經元121的相關參數,以突破傳統僅能根據決策結果更新神經元的限制,藉此提升訓練效率及準確性。此外,如圖5所揭示,該樹狀結構神經元模組13亦可驅動神經元權重更新單元132進行權重轉換,該神經元權重更新單元132據此通知跨神經元運算單元131更新神經元資料,以改變目前的決策風格。
進一步的,請參考圖2、5所示,其中圖5揭示該樹狀搜尋模組18用於對樹狀結構神經元模組13所維護之神經元樹狀結構121’進行搜尋程序,而該樹狀結構神經元模組13可將搜尋結果回傳給該樹狀搜尋模組18。此外,該
樹狀搜尋模組18透過該重複節點防制單元181根據該樹狀結構資料的該神經元樹狀結構121’判斷是否有重複的神經元節點,若是,則產生一節點重複資訊,以產生對應的一訓練中斷資訊,並且經由該先進回饋機制輸出模組16’輸出至該非線性分析模組15,以中斷訓練;進一步的,該上限信賴區間搜尋單元182根據對應的資料修正回饋資訊、原始資料、樹狀結構資料、權重參數資料、非線性計算資料進行處理,以產生對應的一上限信賴區間資訊,並且該上限信賴區間搜尋單元182根據該上限信賴區間資訊及該資料修正回饋資訊判斷是否不符合(超出)該上限信賴區間資訊,若是產生對應的一訓練中斷資訊,並且經由該先進回饋機制輸出模組16’輸出至該非線性分析模組15,以中斷訓練,其中,該上限信賴區間搜尋單元182係透過一上限信賴區間(Upper Confidence Bounds to Trees)演算法,配合該上限信賴區間搜尋單元182內的一個以上自有的判斷機制,藉此對於較深層次的資料變化類型的利用,和對於較少數的資料位移探索,能夠以更有效率的方式取得資料處理的平衡。如圖5所揭示,本發明之訓練中斷機制係由該樹狀搜尋模組18與該樹狀結構神經元模組13以及該訓練中斷機制單元173共同協作所完成。若該樹狀搜尋模組18根據上述程序產生訓練中斷資訊,則由訓練中斷機制單元173經由先進回饋機制之先進回饋機制輸出模組16’導入樹狀結構神經元模組13,以通知樹狀結構神經元模組13的非線性分析模組15據以中斷訓練。
透過上述內容可知,藉由對資料的處理,以及根據該修正結果資訊對本發明系統的各樣參數進行更新,藉此使得本發明系統所提供的一決策結果得以適應各種情況,以提升決策結果的參考價值性、實用性。
根據上述內容,進一步可歸納一類神經人工智慧決策網路核心系統的資訊處理方法,請參考圖1、6所示,係由一電子裝置10安裝一個以上應用程式,並且由該電子裝置10執行以下步驟:
接收一原始資料(S31);根據該原始資料產生一預處理原始資料(S32);根據該預處理原始資料產生一樹狀結構資料(S33);對該樹狀結構資料進行權重計算,以得到一權重參數資料(S34);根據該權重參數資料進行一非線性計算程序,以產生一非線性計算資料(S35);對該非線性計算資料進行修正,以產生一資料修正回饋資訊(S36);根據該資料修正回饋資訊更新該非線性計算程序,以及輸出對應的一決策結果資訊(S37)。
當上述步驟執行至「對該樹狀結構資料進行一權重參數計算程序,以得到一權重參數資料(S34)」的步驟,該方法更進一步包括以下次步驟:對該權重參數資料進行一拉普拉斯運算,以產生一拉普拉斯運算結果;根據一個以上激勵函式及該拉普拉斯運算結果產生對應該權重參數資料的一激勵設定資料。
當上述步驟執行至「對該非線性計算資料進行一資料修正程序,以產生一資料修正回饋資訊(S36);」的步驟,該方法更包括以下次步驟:根據該非線性計算資料進行一殘差值計算程序,以產生一殘差分析資料;根據該殘差分析資料、該非線性計算資料進行一殘差修正函式計算程序,以產生該資料修正回饋資訊。
進一步的,當上述步驟執行「根據該殘差分析資料、該非線性計算資料進行一殘差修正函式計算程序,以產生該資料修正回饋資訊」的步驟後,該方法進一步包括以下步驟:根據該資料修正回饋資訊判斷是否滿足一訓練中斷條件;若是,產生一訓練中斷資訊;或者
根據該樹狀結構資料判斷是否有重複的神經元節點;若是,則產生一節點重複資訊,並且產生對應的一訓練中斷資訊。
進一步的,當上述步驟執行至「根據該資料修正回饋資訊更新該非線性計算程序,以及輸出對應的一決策結果資訊(S37)」的步驟,該方法更包括以下次步驟:根據該資料修正回饋資訊進行一神經元資料更新程序,以產生對應的一神經元更新資料;根據該神經元更新資料更新該樹狀結構資料、該權重參數資料。
進一步的,當上述執行「根據該殘差分析資料、該非線性計算資料進行一殘差修正函式計算程序,以產生該資料修正回饋資訊」的步驟後,該方法進一步包括以下步驟:根據對應的資料修正回饋資訊、原始資料、樹狀結構資料、權重參數資料、非線性計算資料進行處理,以產生對應的一上限信賴區間資訊;判斷該資料修正回饋資訊是否不符合該上限信賴區間資訊;若是,產生對應的一訓練中斷資訊。
10:電子裝置
11:非監督式類神經網路介面模組
12:非對稱隱藏層輸入模組
13:樹狀結構神經元模組
131:跨神經元運算單元
132:神經元權重更新單元
14:層屬權重參數模組
141:激勵控制模組
1411:激勵函式切換單元
1412:拉普拉斯轉換單元
15:非線性分析模組
16:先進回饋機制輸入模組
16’:先進回饋機制輸出模組
17:修正模組
171:殘差分析單元
172:自我修正函式單元
173:訓練中斷機制單元
174:狀態暫存器
Claims (11)
- 一種類神經人工智慧決策網路核心系統的資訊處理方法,該方法為電腦所執行,該方法包括:透過一電子裝置接收一原始資料;藉由利用一非對稱隱藏層輸入模組,透過一非監督式類神經網路介面模組接收該原始資料,並執行一資料預處理程序以根據該原始資料產生一預處理原始資料,其中該非對稱隱藏層輸入模組具有多個神經元,該非對稱隱藏層輸入模組係對該原始資進行該資料預處理程序,以根據該等神經元的數量對該原始資料進行設定、安排以及在該等神經元之間的傳輸路徑規劃,以產生該預處理原始資料;藉由利用一樹狀結構神經元模組,根據該預處理原始資料、該等神經元進行一樹狀資料結構處理程序以產生一樹狀結構資料,其中該樹狀結構神經元模組包括神經元樹狀結構;藉由一層屬權重參數模組,根據該樹狀結構資料進行一權重參數計算程序,以得到一權重參數資料;藉由一非線性分析模組,根據該權重參數資料進行一非線性計算程序,以產生一非線性計算資料;藉由一修正模組,連結一先進回饋機制輸入模組及該非線性分析模組,並透過該先進回饋機制輸入模組取得該非線性計算資料,且根據該非線性計算資料進行一資料修正程序,對該非線性計算資料進行修正,以產生一資料修正回饋資訊;藉由一先進回饋機制輸出模組透過該修正模組取得該資料修正回饋資訊,並將該資料修正回饋資訊回傳給該非線性分析模組,以根據該資料修正回饋資訊更新該非線性計算程序,以及輸出對應的一決策結果資訊; 透過該樹狀結構神經元模組根據該資料修正回饋資訊進行一神經元資料更新程序,以產生對應的一神經元更新資料;以及透過該樹狀結構神經元模組根據該神經元更新資料更新該樹狀結構資料、該權重參數資料,以及傳送給該非對稱隱藏層輸入模組以更新該預處理原始資料以更新該樹狀結構資料中的神經元樹狀結構的神經元的權重值。
- 如請求項1所述之類神經人工智慧決策網路核心系統的資訊處理方法,其中,當上述步驟執行至「對該樹狀結構資料進行一權重參數計算程序,以得到一權重參數資料」的步驟,該方法更包括以下次步驟:對該權重參數資料進行一拉普拉斯運算,以產生一拉普拉斯運算結果;根據一個以上激勵函式及該拉普拉斯運算結果產生對應該權重參數資料的一激勵設定資料。
- 如請求項2所述之類神經人工智慧決策網路核心系統的資訊處理方法,其中,當上述步驟執行至「對該非線性計算資料進行一資料修正程序,以產生一資料修正回饋資訊」的步驟,該方法更包括以下次步驟:根據該非線性計算資料進行一殘差值計算程序,以產生一殘差分析資料;根據該殘差分析資料、該非線性計算資料進行一殘差修正函式計算程序,以產生該資料修正回饋資訊。
- 如請求項3所述之類神經人工智慧決策網路核心系統的資訊處理方法,其中,當上述步驟執行「根據該殘差分析資料、該非線性計算資料進行一殘差修正函式計算程序,以產生該資料修正回饋資訊」的步驟後,該方法進一步包括以下步驟:根據該資料修正回饋資訊判斷是否滿足一訓練中斷條件;若是,產生一訓練中斷資訊;或者根據該樹狀結構資料判斷是否有重複的神經元節點; 若是,則產生一節點重複資訊,並且產生對應的一訓練中斷資訊。
- 如請求項3所述之類神經人工智慧決策網路核心系統的資訊處理方法,其中,當上述步驟執行至「根據該殘差分析資料、該非線性計算資料進行一殘差修正函式計算程序,以產生該資料修正回饋資訊」的步驟後,該方法進一步包括以下步驟:根據對應的資料修正回饋資訊、原始資料、樹狀結構資料、權重參數資料、非線性計算資料進行處理,以產生對應的一上限信賴區間資訊;判斷該資料修正回饋資訊是否不符合該上限信賴區間資訊;若是,產生對應的一訓練中斷資訊。
- 如請求項4或5所述之類神經人工智慧決策網路核心系統的資訊處理方法,其中:透過該樹狀結構神經元模組之一跨神經元運算單元根據該資料修正回饋資訊進行該神經元資料更新程序,以產生對應的該神經元更新資料;透過該樹狀結構神經元模組之一神經元權重更新單元根據該神經元更新資料更新該樹狀結構資料、該權重參數資料。
- 一種類神經人工智慧決策網路核心系統,其包括:一電子裝置,接收一原始資料;一非監督式類神經網路介面模組,連結該電子裝置;一非對稱隱藏層輸入模組,透過該非監督式類神經網路介面模組接收該原始資料,並執行一資料預處理程序以產生一預處理原始資料,其中該非對稱隱藏層輸入模組具有多個神經元,該非對稱隱藏層輸入模組係對該原始資進行該資料預處理程序,以根據該等神經元的數量對該原始資料進行設定、安排以及在該等神經元之間的傳輸路徑規劃,以產生該預處理原始資料; 一樹狀結構神經元模組,連結該非對稱隱藏層輸入模組,包括多個神經元節點,並根據接收到的預處理原始資料進行一樹狀資料結構處理程序,以產生一樹狀結構資料,其中該樹狀結構神經元模組包括神經元樹狀結構;一層屬權重參數模組,連結該樹狀結構神經元模組,並根據該樹狀結構資料進行一權重參數計算程序以得到一權重參數資料;一非線性分析模組,連結該層屬權重參數模組,並根據該權重參數資料進行一非線性計算程序以產生一非線性計算資料;一先進回饋機制輸入模組,連結該非線性分析模組;一修正模組,連結該先進回饋機制輸入模組及該非線性分析模組,並透過該先進回饋機制輸入模組取得該非線性計算資料,且根據該非線性計算資料進行一資料修正程序以產生並輸出一資料修正回饋資訊;一先進回饋機制輸出模組,連結該修正模組及該非線性分析模組;其中,該先進回饋機制輸出模組透過該修正模組取得該資料修正回饋資訊,並將該資料修正回饋資訊回傳給該非線性分析模組,以更新該非線性計算程序,以及輸出一決策結果資訊;其中該樹狀結構神經元模組根據該資料修正回饋資訊進行一神經元資料更新程序,以產生對應的一神經元更新資料;該樹狀結構神經元模組根據該神經元更新資料更新該樹狀結構資料、該權重參數資料,以及傳送給該非對稱隱藏層輸入模組以更新該預處理原始資料,從而更新該樹狀結構資料中的神經元樹狀結構的神經元的權重值。
- 如請求項7所述之類神經人工智慧決策網路核心系統,其中,該層屬權重參數模組進一步包括:一激勵控制模組,具有一個以上激勵函式,該激勵控制模組包括: 一拉普拉斯轉換單元,根據該激勵函式與該權重參數資料進行一拉普拉斯運算,以產生一拉普拉斯運算結果;一激勵函式切換單元,根據該拉普拉斯運算結果選擇對應的激勵函式,並產生對應該權重參數資料的一激勵設定資料。
- 如請求項8所述之類神經人工智慧決策網路核心系統,其中,該修正模組進一步包括:一殘差分析單元,根據該非線性計算資料進行一殘差值計算程序,以產生一殘差分析資料;一自我修正函釋單元,該非線性計算資料、該殘差分析資料進行一殘差修正函式計算程序,以產生該資料修正回饋資訊;一訓練中斷機制單元,根據該資料修正回饋資訊判斷是否滿足一訓練中斷條件,若是則產生一訓練中斷資訊,並經由該先進回饋機制輸出模組輸出至該非線性分析模組;一暫存器模組,儲存有供該訓練中斷機制單元使用的一個以上中斷設定轉換資料。
- 如請求項9所述之類神經人工智慧決策網路核心系統,其中,該非線性分析模組將該資料修正回饋資訊傳送給該層屬權重參數模組,該層屬權重參數模組將該資料修正回饋資訊傳送給樹狀結構神經元模組以進行處理,其中該樹狀結構神經元模組進一步包括:一跨神經元運算單元,根據接收到的資料修正回饋資訊進行該神經元資料更新程序,以產生對應的該神經元更新資料;一神經元重更新單元,根據該神經元更新資料,更新該樹狀結構資料及該權重參數資料,以及傳送給該非對稱隱藏層輸入模組更新該預處理原始資料。
- 如請求項10所述之類神經人工智慧決策網路核心系統,其中,進一步包括一樹狀搜尋模組,該樹狀搜尋模組連結該樹狀結構神經元模組、該修正模組及該先進回饋機制輸出模組,該樹狀搜尋模組具有:一重複節點防制單元,根據該樹狀結構資料判斷是否有重複的神經元節點,若是,則產生一節點重複資訊,並且產生對應的一訓練中斷資訊;一上限信賴區間搜尋單元,根據對應的資料修正回饋資訊、原始資料、樹狀結構資料、權重參數資料、非線性計算資料進行處理,以產生對應的一上限信賴區間資訊,並且該上限信賴區間搜尋單元根據該上限信賴區間資訊及該資料修正回饋資訊判斷是否不符合該上限信賴區間資訊,若是,則產生對應的一訓練中斷資訊。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108131431A TWI709090B (zh) | 2019-08-30 | 2019-08-30 | 類神經人工智慧決策網路核心系統及其資訊處理方法 |
US16/660,978 US11580404B2 (en) | 2019-08-30 | 2019-10-23 | Artificial intelligence decision making neuro network core system and information processing method using the same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108131431A TWI709090B (zh) | 2019-08-30 | 2019-08-30 | 類神經人工智慧決策網路核心系統及其資訊處理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI709090B true TWI709090B (zh) | 2020-11-01 |
TW202109377A TW202109377A (zh) | 2021-03-01 |
Family
ID=74202252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108131431A TWI709090B (zh) | 2019-08-30 | 2019-08-30 | 類神經人工智慧決策網路核心系統及其資訊處理方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11580404B2 (zh) |
TW (1) | TWI709090B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103078054A (zh) * | 2013-01-04 | 2013-05-01 | 华中科技大学 | 一种模拟生物神经元和神经突触的单元、装置及方法 |
CN107563279A (zh) * | 2017-07-22 | 2018-01-09 | 复旦大学 | 针对人体属性分类的自适应权重调整的模型训练方法 |
CN108205707A (zh) * | 2017-09-27 | 2018-06-26 | 深圳市商汤科技有限公司 | 生成深度神经网络的方法、装置和计算机可读存储介质 |
US20190050727A1 (en) * | 2018-01-12 | 2019-02-14 | Timothy Anderson | Neural network training |
US20190065903A1 (en) * | 2017-08-22 | 2019-02-28 | Northrop Grumman Systems Corporation | System and method for distributive training and weight distribution in a neural network |
TW201918939A (zh) * | 2017-11-07 | 2019-05-16 | 南韓商三星電子股份有限公司 | 用於學習低精度神經網路的方法及裝置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7016886B2 (en) * | 2001-08-10 | 2006-03-21 | Saffron Technology Inc. | Artificial neurons including weights that define maximal projections |
US9015093B1 (en) * | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
CN107531244B (zh) * | 2015-04-21 | 2020-04-21 | 松下知识产权经营株式会社 | 信息处理***、信息处理方法、以及记录介质 |
EP3410414A1 (en) * | 2017-05-31 | 2018-12-05 | Panasonic Intellectual Property Corporation of America | Information processing method, information processing apparatus, system, and storage medium |
-
2019
- 2019-08-30 TW TW108131431A patent/TWI709090B/zh active
- 2019-10-23 US US16/660,978 patent/US11580404B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103078054A (zh) * | 2013-01-04 | 2013-05-01 | 华中科技大学 | 一种模拟生物神经元和神经突触的单元、装置及方法 |
CN107563279A (zh) * | 2017-07-22 | 2018-01-09 | 复旦大学 | 针对人体属性分类的自适应权重调整的模型训练方法 |
US20190065903A1 (en) * | 2017-08-22 | 2019-02-28 | Northrop Grumman Systems Corporation | System and method for distributive training and weight distribution in a neural network |
CN108205707A (zh) * | 2017-09-27 | 2018-06-26 | 深圳市商汤科技有限公司 | 生成深度神经网络的方法、装置和计算机可读存储介质 |
TW201918939A (zh) * | 2017-11-07 | 2019-05-16 | 南韓商三星電子股份有限公司 | 用於學習低精度神經網路的方法及裝置 |
US20190050727A1 (en) * | 2018-01-12 | 2019-02-14 | Timothy Anderson | Neural network training |
Also Published As
Publication number | Publication date |
---|---|
TW202109377A (zh) | 2021-03-01 |
US20210065008A1 (en) | 2021-03-04 |
US11580404B2 (en) | 2023-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Humphreys et al. | A data-driven approach for learning to control computers | |
TW202203093A (zh) | 類神經網路人工智慧決策核心系統 | |
CN110943983B (zh) | 基于安全性态势感知与风险评估的网络安全预防方法 | |
WO2021175058A1 (zh) | 一种神经网络架构搜索方法、装置、设备及介质 | |
CN111340493B (zh) | 一种多维度分布式异常交易行为检测方法 | |
CN110188910A (zh) | 利用机器学习模型提供在线预测服务的方法及*** | |
CN106445147A (zh) | 基于人工智能的对话***的行为管理方法及装置 | |
Araújo et al. | An evolutionary morphological approach for software development cost estimation | |
CN109858798B (zh) | 关联改造措施与电压指标的电网投资决策建模方法及装置 | |
Agarwal et al. | A comparative study of artificial neural networks and info-fuzzy networks as automated oracles in software testing | |
CN115375127A (zh) | 一种工程施工智能精细化管控*** | |
CN105955882A (zh) | 一种迭代学习模型行为相似性的测试用例生成方法和装置 | |
Mutlu et al. | End-to-end hierarchical fuzzy inference solution | |
Paul et al. | Database workload characterization with query plan encoders | |
CN113807040B (zh) | 一种面向微波电路的优化设计方法 | |
Kalifullah et al. | Retracted: Graph‐based content matching for web of things through heuristic boost algorithm | |
Dhanalaxmi | Machine learning and its emergence in the modern world and its contribution to artificial intelligence | |
TWI709090B (zh) | 類神經人工智慧決策網路核心系統及其資訊處理方法 | |
Zhu et al. | Psp: Progressive space pruning for efficient graph neural architecture search | |
JPH04205626A (ja) | エキスパートシステム | |
Li et al. | MrTF: model refinery for transductive federated learning | |
Valavala et al. | Automatic database index tuning using machine learning | |
TWM598974U (zh) | 類神經人工智慧決策網路核心系統 | |
CN114819925B (zh) | 基于事件序列分析预测的工业物联网***及其控制方法 | |
CN109711558A (zh) | 针对含潜在不稳定特征构建机器学习模型的方法及装置 |