买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西北工业大学申请的专利一种基于门参数迭代优化的深度网络关键路径构建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115759200B 。

龙图腾网通过国家知识产权局官网在2025-06-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211461783.4，技术领域涉及：G06N3/0464；该发明授权一种基于门参数迭代优化的深度网络关键路径构建方法是由耿杰;来加威;张宇航;邓鑫洋;蒋雯设计研发完成，并于2022-11-22向国家知识产权局提交的专利申请。

本一种基于门参数迭代优化的深度网络关键路径构建方法在说明书摘要公布了：本发明公开了一种基于门参数迭代优化的深度网络关键路径构建方法，包括以下步骤：步骤一、获取数据集；步骤二、构建深度卷积神经网络模型；步骤三、在训练好的深度卷积神经网络模型上加入门参数；步骤四、基于门参数构建深度网络的关键路径模型。本发明结构简单、设计合理，基于门参数计算各个卷积核的重要度，选取贡献度大的卷积核获得深度网络关键路径模型，在对构建的深度网络关键路径模型进行修复时，仅对门参数进行更新优化，不对深度网络模型的其他参数进行更新，不改变深度网络模型的参数和结构；修复降低了协变量偏移，使用效果好。

本发明授权一种基于门参数迭代优化的深度网络关键路径构建方法在权利要求书中公布了：1.一种基于门参数迭代优化的深度网络关键路径构建方法，其特征在于：包括以下步骤： 步骤一、获取数据集：采集多幅图像，获得数据集W＝X,Y，X表示输入数据,Y表示数据标签,将数据集W按比例划分为训练集、验证集和测试集； 步骤二、构建深度卷积神经网络模型：定义深度卷积神经网络模型目标函数，将训练集作为深度卷积神经网络模型输入，求解深度卷积神经网络模型最优参数从而完成深度卷积神经网络模型训练； 步骤三、在训练好的深度卷积神经网络模型上加入门参数： 步骤301、在训练好的深度卷积神经网络模型各层的卷积核上分别加入门参数φi,j，φi,j表示加在第i个卷积层第j个卷积核上的门参数，所述门参数φi,j为1，Ci,j，1，1,Ci,j表示门参数φi,j的图像通道数，1≤i≤n，n表示网络层数，1≤j≤m，m表示第i层的卷积核个数； 步骤302、利用训练集对加入门参数φi,j的深度卷积神经网络模型进行再次训练，利用验证集对加入门参数φi,j的深度卷积神经网络模型进行验证，得到重新训练好的深度卷积神经网络模型以及门参数φi,j； 步骤四、基于门参数构建深度网络的关键路径模型： 步骤401、基于门参数计算各个卷积核的重要度：计算机根据公式Θφi,j＝KLΔLφi,j||ΔLΩ0计算重新训练好的深度卷积神经网络模型第i层网络第j个卷积核的重要度Θφi,j，其中KL·表示KL散度计算，ΔLφi,j表示步骤三中重新训练好的深度卷积神经网络模型的预测值与真实值的差值，ΔLΩ0表示步骤二中完成训练的深度卷积神经网络模型的预测值与真实值Y的差值，Ω表示除了φi,j以外的网络模型参数； 步骤402，利用阈值对卷积核重要度低的门参数置零：若Θφi,j＜Θφ，则将门参数φi,j赋值为0，Θφ表示优化阈值，得到深度网络关键路径模型； 步骤403、对构建的深度网络关键路径模型进行修复：将训练集输入深度网络关键路径模型进行迭代训练，通过梯度下降算法对深度网络关键路径模型的门参数进行更新优化，置零的门参数一直置零，不参与更新，门参数迭代训练过程中深度网络关键路径模型的损失函数为L'＝1-αL1+αL2，其中α表示权重,Xk表示训练集中的第k个数据，Yk表示Xk对应的样本标签，1≤k≤N，N表示训练集的样本数，Δ表示标签平滑因子，pXk,θ-表示训练样本Xk的预测概率，θ-表示关键路径模型的参数； 步骤404、利用验证集对步骤403中完成更新优化的深度网络关键路径模型进行验证，得到修复的深度网络关键路径模型； 步骤405、将测试集输入修复的深度网络关键路径模型，得到测试集的分类结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。