技术摘要：
本发明提供了一种应用神经网络深度学习的整体性智能识别方法，神经网络包括输入神经网络层和输出神经网络层，输入神经网络层和输出神经网络层之间存在呈递进排列的多层隐含神经网络层，输入神经网络层包含若干输入神经元，隐含神经网络层包含若干隐含神经元，输出神经  全部
背景技术：
深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于 最初的目标——人工智能。 深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对 诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样 具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算 法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习在搜索技术，数 据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其 他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很 多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。 现有技术中，在医学领域深度学习被用于对人体扫描影像的识别。但现有的神经 网络深度学习的计算方法存在以下缺点： 由于扫描后的人体尺寸不同，所需要诊断的器官也不同，现有的技术中计算机只 能进行对单一器官的识别，进而在计算机识别之前需要对扫描影像进行统一裁剪，即为手 动将扫描影像放大、缩小为相同尺寸，并且学习源和识别对象双方均需要进行手动图片调 整操作，由此占用了大量的人力劳动与时间，增加了医疗人员的负担，浪费医疗资源。
技术实现要素：
本发明的目的是针对现有的技术存在上述问题，提出了一种整体识别与演化学习 结合，通过演化规律预测生成影像以规避影像手动调节大小的应用神经网络深度学习的整 体性智能识别方法。 本发明的目的可通过下列技术方案来实现：应用神经网络深度学习的整体性智能 识别方法，所述神经网络包括输入神经网络层和输出神经网络层，所述输入神经网络层和 输出神经网络层之间存在呈递进排列的多层隐含神经网络层，所述输入神经网络层包含若 干输入神经元，所述隐含神经网络层包含若干隐含神经元，所述输出神经网络层包含若干 输出神经元，所述整体性智能识别方法包括以下内容： A、深度学习方法： 1)、初始设定隐含神经网络层的数量，各个隐含神经网络层中隐含神经元的数量； 初始设定输出神经网络层中输出神经元的数量； 2)、采集大量作为参照值的信息群，每个信息群内均包含若干呈递进逻辑的连续 性信息值，连续性信息值具有首位信息值与末位信息值，以及两者之间的若干排序信息值， 每个信息值内均包含多个独立元素值，且同一信息群中全部信息值的独立元素值种类相一 4 CN 111611891 A 说　明　书 2/5 页 致，分别将每个信息群的连续性信息值投入至输入神经网络层，使相邻两信息值之间的逻 辑计算形成一个输入神经元；将输入神经网络层的各个输入神经元经过并行计算得到第一 层隐含神经网络层的各个隐含神经元，经过计算逐级得出n 1层隐含神经网络层，直至最终 推导至输出神经网络层中各个输出神经元； 3)、在上述步骤2)中，通过正向传播算法进行推演，通过反向传播算法得出修改权 值，结合正向传播算法与反向传播算法得出符合学习期望的结论值，上述整体深度学习的 演化函数计算形成学习数据库； B、识别方法： 1)、将已知信息值投入输入神经网络层的输入神经元中进行学习认知，从学习数 据库中提取同类型演化函数计算作为参照推算模型； 2)、将已知信息值按参照推算模型的演化函数方式计算出n 1预测信息值，所述n 1预测信息值内包含多个预测独立元素值，所述预测独立元素值与已知信息值内的独立元 素值种类相同，且属于同种类的独立元素值与预测独立元素值之间存在任意演化间隔的递 进逻辑关系。 本应用神经网络深度学习的整体性智能识别方法对传统深度学习手法改进，通过 学习后完成推演函数计算，实现连续性的关联信息推测，结合整体信息集合，进而规避单独 性识别个体信息值所需要的手动调整问题。 在上述的应用神经网络深度学习的整体性智能识别方法中，在A、深度学习方法的 步骤2)中，所述信息值位于载体上，不同信息值的载体空间量值不同，不同载体上信息值所 占比例不同。 在上述的应用神经网络深度学习的整体性智能识别方法中，在B、识别方法的步骤 2)中，所述n 1预测信息值的载体与已知信息值的载体空间量值相同。 在上述的应用神经网络深度学习的整体性智能识别方法中，在B、识别方法的步骤 2)中，同一n 1预测信息值内的各个预测独立元素值与已知信息值内的对应独立元素值的 演化间隔一致。 在上述的应用神经网络深度学习的整体性智能识别方法中，所述大量参照值为空 间属性的连续性信息值；大量参照值为时间属性的连续性信息值。 在上述的应用神经网络深度学习的整体性智能识别方法中，所述大量参照值中包 括不同类型的连续性信息值；大量参照值中包括相反类型的连续性信息值。 在上述的应用神经网络深度学习的整体性智能识别方法中，所述整体性智能识别 方法应用于医学领域的人体影像识别中，对某一节段的人体构造进行整体组织的学习认 知，按照其演化函数规律进行推测影像计算，对任意个器官组织集合体进行自由识别。 在上述的应用神经网络深度学习的整体性智能识别方法中，所述整体性智能识别 方法应用于病毒变异的推测识别，对现有病毒变异轨迹进行已知演化规律的学习认知，按 照其演化函数规律进行未知变异的推测识别。 在上述的应用神经网络深度学习的整体性智能识别方法中，所述整体性智能识别 方法应用于基因进化的推测识别，对现有基因进化轨迹进行已知演化规律的学习认知，按 照其演化函数规律进行未知进化的推测识别。 在上述的应用神经网络深度学习的整体性智能识别方法中，所述整体性智能识别 5 CN 111611891 A 说　明　书 3/5 页 方法应用于生物学中变态发育的推测识别，对现有变态发育轨迹进行已知演化规律的学习 认知，按照其演化函数规律进行将要发生的变态发育的推测识别。 与现有技术相比，本应用神经网络深度学习的整体性智能识别方法具有以下优 点： 1、采用整体集合式的信息学习认知，结合演化规律进行推测，有效规避对单独性 识别个体信息所需要的手动调整，可以最大限度地减少人工负担。 2、通过对现有信息演化进行深度学习，掌握演化函数计算方式，根据现有的信息 值对未知信息值作出推测识别，从而在病毒、基因、生物学等方面作出展望性预判，对人类 的自然科学发展起到举足轻重的作用。 附图说明 图1是本发明的神经网络结构图。