公开(公告)号：CN109784287A

公开(公告)日：2019-05-21

申请号：CN201910058284.2

申请日：2019-01-22

Applicant: 中国科学院自动化研究所

Inventor： 曾冠雄 ,  陈阳 ,  余山

IPC: G06K9/00 ,  G06K9/62

Abstract: 本发明属于模式识别及类脑机器学习领域，具体涉及了一种基于情景信号类前额叶网络的信息处理方法、系统、装置，旨在解决复杂情况下即复杂多任务情况下系统结构复杂、灵活性差、训练样本需求量大的问题。本发明方法包括：选择对应特征向量提取器进行特征提取；将信息特征向量与情景信号集中每一个情景信号进行维度匹配；维度匹配后的情景特征向量输入特征向量分类器，获得分类信息。本发明方法利用类似于前额叶的模块，实现面向情境信息的多任务学习，在上下文情景信息不能事先确定的情况下，可以逐步学习依赖于上下文情境信息的映射，处理后的数据可应用于多任务学习或更高要求的连续多任务学习。

公开(公告)号：CN109934343A

公开(公告)日：2019-06-25

申请号：CN201910138155.4

申请日：2019-02-25

Applicant: 中国科学院自动化研究所

Inventor： 陈阳 ,  曾冠雄 ,  余山

IPC: G06N3/08

Abstract: 本发明属于机器学习及人工智能领域，具体涉及了一种基于正交投影矩阵的人工神经网络优化方法、系统、装置，旨在解决人工神经网络在连续学习时发生灾难性遗忘的问题。本发明方法包括：初始化人工神经网络并计算网络各层正交投影矩阵集；采用正交投影矩阵集更新人工神经网络权重矩阵并对当前任务的输入数据处理；采用递归的算法计算新的投影矩阵集并用于下一任务人工神经网络的权重矩阵更新；重复执行投影矩阵的递归运算以及权重矩阵的更新直至任务队列中所有任务执行完毕。本发明可以应用于不同任务空间，还可以用于局部网络甚至特定网络的特定权重上，计算简单、效果显著，避免了传统的人工神经网络“灾难性”遗忘的问题。