申请/专利权人:浙江工业大学
申请日:2022-05-13
公开(公告)日:2022-08-30
公开(公告)号:CN114970333A
主分类号:G06F30/27
分类号:G06F30/27;G06F17/16;G06F17/18;G06N3/04;G06N3/08;G06F119/02
优先权:
专利状态码:在审-实质审查的生效
法律状态:2022.09.16#实质审查的生效;2022.08.30#公开
摘要:本发明涉及面向CNNs的可靠性计算方法、介质及设备,构建面向权重的节点扰动函数以量化节点对CNNs输出结果的影响,结合随机采样函数构建面向CNNs的差错概率矩阵实现故障的并行注入,计算加速;构建基于卡尔曼滤波与肖维勒准则相结合的迭代方法以消减随机噪声与异常值对计算结果的影响,改善评估精度,减少计算所需输入样本数;基于大数定理和极限存在定理构建面向CNNs可靠性计算的自适应方法避免不必要的无效计算,减少算量。本发明可以实现CNNs的并行故障注入,消减随机噪声与异常值对计算结果的影响,确保高评估精度,减少输入样本数,自适应收敛检测方法的应用避免无效计算,为设计高可靠的CNNs网络提供有效依据。
主权项:1.一种面向CNNs的可靠性计算方法,其特征在于:所述方法包括以下步骤:步骤1:读取一个CNN模型,初始化参数,包括位翻转概率pb、达成收敛所需要连续满足指定条件的次数Nc、误差容限ε,用RS存储每次执行差错概率计算所获得的可靠性值,初始化RS=Φ,ε=1,令计数器gn=0,初始化次序标识n=1;步骤2:对所述CNN执行Nt次差错概率计算;Nt为初始化相关参数所需要执行差错概率计算的次数;步骤3:基于结果获取RS的方差var与均值sR0,计算RS的估计误差E0;步骤4:利用步骤2的方法对CNN执行Ng次差错概率计算,并将所得结果存入序列RgS,再计算RgS的均值Rn,并将RgS置入序列RS;Ng为更新相关参数所需要执行差错概率计算的次数;步骤5:更新异常系数Cn、卡尔曼增益系数Kn、CNN的可靠性估计值sRn与估计误差En;步骤6:若输出的结果满足自适应收敛条件,则输出sRn,否则,返回步骤4。
全文数据:
权利要求:
百度查询: 浙江工业大学 面向CNNs的可靠性计算方法、介质及设备
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。