(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211228230.4 (22)申请日 2022.10.09 (71)申请人 贵州大学 地址 550025 贵州省贵阳市花溪区贵州大 学 （北区） 科技处 (72)发明人 王崎　葛庆龙　吴晨阳　吴兴财　 张邦梅　吴雪　 (74)专利代理 机构 贵阳东圣专利商标事务有限 公司 520 02 专利代理师 袁庆云 (51)Int.Cl. G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于离散序列浮点转换的神经元连接 方法 (57)摘要 本发明公开了一种基于离散序列浮点转换 的新型神经元连接方法， 包括通过对 卷积对图像 的特征进行提取， 得到由大量卷积核提取得到的 特征序列， 对特征序列进行位置标记并分区， 构 造10阶等比数组与可学习整数序列， 利用聚合的 思路， 对离散序列进行浮点转换， 将特征序列的 数据维度缩减为一。 本发明能有效减少全连接层 的参数， 适应模型轻量 化要求。 权利要求书2页 说明书6页 附图1页 CN 115471668 A 2022.12.13 CN 115471668 A 1.一种基于 离散序列浮 点转换的新型神经 元连接方法， 包括以下步骤： (1)从图像数据集中获取原始图像数据， 选取现有的卷积神经网络模型， 将模型的全连 接层以及预测层去除后， 得到最终网络模型， 将原始图像数据直接输入至所述最终网络模 型中进行计算， 经过网络中的卷积层、 激活层以及池化层， 通过卷积对图像的特征进行提 取， 得到由大量卷积核提取 得到的特 征序列； (2)对长度为Length的特征序列进行分区， 每个区间的长度为4， 对每个区间按照起始 位置进行编号， 按照每个区间中浮点元素起始位置， 对每个区间中的浮点元素进行位置编 号， 编号为0,1,2,3， 按照区间中每个浮点元素的位置编号， 找出每个区间中数值最大的浮 点元素所对应的位置编号， 将每个区间的最大数值编号重新组合为长度为Length/4的数 组， 大小为： [1 ×Length/4]， 判断该数组长度是否为奇数， 若该数组长度为奇数则跳过， 若 该数组长度是偶数， 则在数组最后添加一个节点， 节点中的数值为0， 至此得到位置特征标 记序列αn， 此步操作设为函数A(Xn)， 此步骤数学表达 为： A(Xn)＝αn， 其中： αn是位置特征标记 序列， Xn表示原始图像数据经 过最终网络模型 得到的特 征序列； (3)构造长度为奇数 的10阶等比数组βn， 10阶矩阵的长度与αn的长度相同， 该数组中间 元素的值为1， 数组中元素表示为 此操作的数学表达为 将步骤(2)得到的位置特征标记序列αn与10阶等比矩阵进行 内积， 将维度降低为一， 得到高 维特征浮点信息 δ； (4)可学习整数序列中的所有元素均为整数， 整数取值范围为0～9， 且随机取值， 该序 列长度与步骤(2)中特征标记奇序列长度相同， 该序列表示为 εn， 将 εn与步骤(3)得到的10阶 等比矩阵进行内积， 将维度降低为 一， 得到高维可 学习浮点信息γ； (5)将高维可学习浮点信息与高维特征浮点信息相乘得到维度为一、 量级为10x的超高 维浮点特征信息， 用符号表示为Y， 该信息由特征序列聚合而来， 具有原始图像数据的超高 层特征信息， 且具有丰富的抽象语言信息； (6)对步骤(5)得到的超高维浮点特征信息Y进行解码操作， 得到长度 为为N的解码序列 μ， 解码序列中元素表示为 μ0, μ1…μn‑1, μn， 此步操作 设为函数B(Y)， 此步骤数学表达为此操 作的数学表达为B(Y)＝ μ 其中： 10x为超高维浮 点特征信息Y的量级。 2.如权利要求1所述的一种基于离散序列浮点转换的新型神经元连接方法， 其中： 步骤 (1)所述现有模型为分类网络模型。 3.如权利要求1所述的一种基于离散序列浮点转换的新型神经元连接方法， 其中： 步骤 (1)中的图像数据集 为现有数据集或基于待提取图像数据集。 4.如权利要求3所述的一种基于离散序列浮点转换的新型神经元连接方法， 其中： 所述 的现有数据集 为ImageNet图像数据集。 5.如权利要求1所述的一种基于离散序列浮点转换的新型神经元连接方法， 其中： 步骤权　利　要　求　书 1/2 页 2 CN 115471668 A 2(4)中所述的可 学习整数序列中的整数为整数 型可学习参数， 可通过网络的迭代进行 更新。权　利　要　求　书 2/2 页 3 CN 115471668 A 3