训练卷积神经网络.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115398445A(43)申请公布日2022.11.25(21)申请号202180025821.9(74)专利代理机构永新专利商标代理有限公司(22)申请日2021.04.0672002专利代理师李光颖(30)优先权数据20168453.72020.04.07EP(51)Int.Cl.G06N3/04(2006.01)(85)PCT国际申请进入国家阶段日G06N3/08(2006.01)2022.09.29G06N3/12(2006.01)(86)PCT国际申请的申请数据PCT/EP2021/0588662021.04.06(87)PCT国际申请的公布数据WO2021/204763EN2021.10.14(71)申请人皇家飞利浦有限公司地址荷兰艾恩德霍芬(72)发明人M·A·帕蒂尔A·P·S·苏塞亚权利要求书2页说明书11页附图8页(54)发明名称训练卷积神经网络(57)摘要一种用于使用训练数据集来训练卷积神经网络的计算机实现的方法和装置。训练数据集中的训练数据的每个条目都包括数值数据和相应数值数据的对应标签。一种方法包括，针对训练数据的每个条目，将数值数据转换为矩阵，其中，矩阵中的元素表示数值数据中的特征的值。所述方法还包括基于一个或多个的熵的量度来确定针对矩阵中的数值数据的排列，所述排列减少包括具有不同标签的数值数据的矩阵的相似性，并且/或者增加包括具有相同标签的数值数据的矩阵的相似性。CN115398445ACN115398445A权利要求书1/2页1.一种用于使用训练数据集来训练卷积神经网络的计算机实现的方法，其中，所述训练数据集中的训练数据的每个条目都包括数值数据和相应数值数据的对应标签，所述方法包括：针对训练数据的每个条目，将所述数值数据转换为矩阵，其中，所述矩阵中的元素表示所述数值数据中的特征的值；并且基于一个或多个的熵的量度来确定针对所述矩阵中的所述数值数据的排列，所述排列减少包括具有不同标签的数值数据的矩阵的相似性，并且/或者增加包括具有相同标签的数值数据的矩阵的相似性。2.根据权利要求1所述的方法，其中，将所述数值数据转换成矩阵的步骤包括：将所述数值数据中的每个特征表示为相应矩阵中的一列元素或一行元素。3.根据权利要求1或2所述的方法，其中，将所述数值数据转换成矩阵的步骤包括：将所述数值数据表示为二维图像或三维图像。4.根据权利要求1、2或3所述的方法，其中，确定针对所述矩阵中的所述数值数据的排列的步骤包括：确定针对所述矩阵中的数值数据的列或行的顺序。5.根据权利要求1至4中的任一项所述的方法，其中，确定针对所述矩阵中的所述数值数据的排列的步骤包括：使用机器学习方法来确定变换，所述变换增加包括具有不同标签的数值数据的矩阵之间的熵的量度。6.根据权利要求1至5中的任一项所述的方法，其中，确定针对所述矩阵中的所述数值数据的排列的步骤包括：使用机器学习方法来确定变换，所述变换减少包含具有相同标签的数值数据的矩阵之间的熵的量度。7.根据权利要求5或6所述的方法，其中，所述机器学习方法包括遗传算法方法或信息增益方法。8.根据前述权利要求中的任一项所述的方法，其中，确定针对所述矩阵中的所述数值数据的排列的步骤包括确定以下形式的变换：其中，X包括矩阵，X'包括经变换的矩阵，EK包括秩为n的列变换矩阵，并且包括二元参数。9.根据权利要求8所述的方法，其中，参数通过优化适应度函数来确定，所述适应度函数包括用于增加由所述训练数据集中的所述矩阵表示的所述数值数据的标签内相似度的第一项和/或用于减少由所述训练数据集中的所述矩阵表示的所述数值数据的标签间相似度的第二项。10.根据权利要求8或9所述的方法，其中，参数基于以下形式的适应度函数G而被优化：其中，M包括具有相同标签的矩阵之间的熵的度量，并且D包括具有不同标签的矩阵之间的熵的度量。11.根据前述权利要求中的任一项所述的方法，还包括：根据所确定的排列来排列训练数据的每个条目的每个矩阵中的所述数值数据；并且2CN115398445A权利要求书2/2页基于经排列的矩阵和相应的标签来训练所述卷积神经网络，以预测先前未见过的数值数据的标签，其中，所述先前未见过的数值数据以所确定的排列方式被提供给所述神经网络。12.根据前述权利要求中的任一项所述的方法，其中，所述数值数据包括由机器输出的数据，并且其中，所述标签包括所述机器是否可能在预定时间帧内发生故障的真实情况指示。13.一种使用卷积神经网络来预测数值数据的标签的方法，所述方法包括：将所述数值数据转换为矩阵，其中，所述数值数据基于一个或多个熵的量度根据预定排列而被排列在所述矩阵中，所述预定排列减少包括具有不同标签的所述数值数据的矩阵的相似性，并且/或者增加包括具有相同标签