公开(公告)号：CN106953801B

公开(公告)日：2020-05-05

申请号：CN201710054545.4

申请日：2017-01-24

Applicant: 上海交通大学

Inventor： 李生红 ,  郭颖 ,  马颖华 ,  汤璐

IPC: H04L12/721 ,  H04L12/733 ,  H04L12/801

Abstract: 一种基于层级结构学习自动机的随机最短路径实现方法，包括：学习自动机部署，将动态网络从源节点出发到目标阶段终止的结点部署学习自动机；初始化过程，每个学习自动机初始化自身的概率向量；路径选择，从父结点出发逐层选择结点，组成当前路径；环境反馈，将当前路径的代价函数与当前采样路径的均值比较，得到惩罚或者奖励；学习过程，被选择路径上每个学习自动机根据学习算法更新自身的概率向量；逐层判断更新终止过程，若终止，结束步骤，否则更新父节点返回路径选择继续进行。

公开(公告)号：CN106953801A

公开(公告)日：2017-07-14

申请号：CN201710054545.4

申请日：2017-01-24

Applicant: 上海交通大学

Inventor： 李生红 ,  郭颖 ,  马颖华 ,  汤璐

IPC: H04L12/721 ,  H04L12/733 ,  H04L12/801

Abstract: 一种基于层级结构学习自动机的随机最短路径实现方法，包括：学习自动机部署，将动态网络从源节点出发到目标阶段终止的结点部署学习自动机；初始化过程，每个学习自动机初始化自身的概率向量；路径选择，从父结点出发逐层选择结点，组成当前路径；环境反馈，将当前路径的代价函数与当前采样路径的均值比较，得到惩罚或者奖励；学习过程，被选择路径上每个学习自动机根据学习算法更新自身的概率向量；逐层判断更新终止过程，若终止，结束步骤，否则更新父节点返回路径选择继续进行。

公开(公告)号：CN106951959A

公开(公告)日：2017-07-14

申请号：CN201710054653.1

申请日：2017-01-24

Applicant: 上海交通大学

Inventor： 李生红 ,  郭浩楠 ,  马颖华 ,  任栩蝶 ,  汤璐

IPC: G06N3/04

CPC classification number: G06N3/0454

Abstract: 一种基于学习自动机的深度神经网络优化方法，在深度神经网络的训练阶段，从全连接的初始网络结构出发，在通过梯度下降迭代更新参数的过程中不断找到网络中的弱连接并将其去除，从而得到更为稀疏连接、具有更小的泛化误差的网络结构，以便用于对测试样本进行更高精度的图像分类，所述的弱连接，通过LA在训练过程中不断与神经网络交互而进行判定。本发明通过借鉴强化学习的思想，引入学习自动机算法改善传统的反向传播算法，去掉冗余连接以减少网络参数，从而提高在测试样本上的分类精度，使其具有更强的防止过拟合的能力。