SDL自律聚类模型_看图王.pdf

SDL 自律聚类模型 顾泽苍博士团队 一．行业现状 目前，深度学习已成为大多数AI 类型问题的首选技术。其中明显 的原因是深度学习已经在包括言语、自然语言、视觉和玩游戏在内的 各种各样的任务中多次表现出优异的表现。但它同样存在着一些问题， 深度学习需要大量的数据，数据需要进行人工标注，大量的数据又需 要很大量的算力，普通的 CPU 已经无法满足深度学习的要求，主流 算力都是使用 GPU 和 TPU ，所以对于硬件的要求很高，成本也很高。 与深度学习相比，本公司的SDL 算法主要有如下优势： (1) 训练时，不需要大量数据；SDL 模型的算法是自律学习，跟深度 学习相比，几乎不需要人为的干预。 (2) 融合了概率尺度自组织与概率空间距离，通过概率空间的聚类直 接获得各个类的高斯分布，是泛化能力最强的机器学习模型；SDL 模 型的聚类算法是函数映射模型和高斯分布模型的最佳融合结果，具有 举一反三的效果，具有很好的数据挖掘能力，而深度学习主要是基于 函数映射，主要问题是泛化能力低，需要组合才能获得数据集，因此， 需要GPU 的硬件支持，以及大的训练数据，导入成本高等缺点。 (3) 算法复杂度比深度学习低，对硬件的要求较低；在成本低廉的硬 件上，算法也能保证实时性。 (4)当前的各种聚类算法几乎都是基于欧几里得空间进行的，在传统的 欧几里德空间中，属于特征向量的各个特征值的不同作用，往往用权 重来调整，但是找不到理论依据能够获得最佳的权重的选择，而高斯 分布是对具有随机性质的目标函数的特征的完整的记述，使我们能够 冲破欧几里德空间的约束，直接站在概率空间中来寻求处理对象的特 征。SDL 聚类算法则是采用了概率空间，算法中采用了概率空间尺度 的概念，可自律的直接对多维空间的特征向量直接进行聚类，在函数 映射模型与高斯分布模型的最佳融合中，提高训练后图像识别的正确 性及提高了识别的效率，同时又可获得最大的泛化能力。 所以SDL 模型可以广泛使用在图像识别，声音识别等多个领域，是超 越深度学习的模型。 二．模型原理 基于概率尺度的自组织算法，是由图1 的6 个步骤构成的。 图1 SDL 自组织 图2 SDL 自组织验证 预处理步骤 S1：取一个数据范围作为初始空间，这个初始空间 根据应用的需要，可以是一维空间，也可以是二维空间，也可以是三 维空间，随着初始空间的维数，最大概率值，以及最大概率尺度的计 算都将对应初始空间的维度。 这里我们以一维空间作为例子介绍概率尺度自组织的模型。设初 ( ) 始空间中的数据 （i＝1,2,… ζ）的初始的概率尺度M(0)，0(0) 2 作为自组织的中心值， V1 = [Μ （n）−Μ （n−1）] 作为自组织的迁移 2 阈值，V2 = [Μ （n）−Μ （n−1）] 作为自组织的收敛阈值，Mn 作为自 组织最大组织次数值，可设为3 －5 次，n=0 作为自组织的当前次数。 自组织步骤S2：进行n 次自组织处理，把0(n)作为自组织中心 值，概率尺度 M(n) 作为半径，计算半径以内的所有像素的集合 ( ) （） 的灰度密度分散值S(n+1) 。M(n＋1)＝S(n+1)，n＝n＋1。 【公式1】 （） 1 （） ( ) 0 ＝ ∑ =13 【公式2 】