技术摘要：
本发明提供了一种应用神经网络深度学习的智能测判方法，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，输出神经网络层  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判断。但现有的 神经网络深度学习的计算方法存在以下缺点： 1、为了学习，需要大量的学习数据，这些学习数据需要专业医疗人员进行大量标 注，由此费时、费力，浪费有效医疗资源； 2、识别的对象是图像，时间序列数据几乎不对应。在当前的方法中，学习到的时间 序列数据从所有数据中以固定长度切出一部分来进行学习。但是，医疗图像大多是规定了 扫描的身体范围，扫描次数根据医生和机器的不同而不同。也就是说，第一帧和最后帧必须 被固定，并且其中每个帧必须与学习数据(时间序列数据的帧位置)匹配。 3、一个识别器只能对应一种疾病，识别多种疾病便要制作多个识别器，并且要求 多个识别器中的病例数量必须一致，否则会产生偏重识别的问题，存在病灶遗漏的严重后 果。 4、在医疗现场，疼痛症状的部位和实际的发病部位有很多不同的情况，结果医生 需要全部确认位置，没有得到期待的效果。 5、现有神经网络深度学习的计算方法，无法对具有逻辑关系的连续性信息进行有 效的监测和判断，其仅能对分别独立的信息值进行学习和记录比对。
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，提出了一种通过学习认知演化逻 辑后，利用演化逻辑预测发展态势，并与实际发展态势比对得出判断结论的应用神经网络 深度学习的智能测判方法。 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智能测判方 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 4 CN 111611893 A 说　明　书 2/7 页 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，所述智能测判方法包括以下内容： 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，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 至最终求出输出神经网络层中各个输出神经元的结论概率值； 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 演化过程形成学习数据库； B、测判方法： 1)、确定所判断检体的首位信息值与末位信息值，且所判断的信息群为首位信息 值与末位信息值之间呈递进逻辑的连续性信息值； 2)、将首位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过程作为参照推算模型； 3)、将首位信息值按参照推算模型计算出1 1预测信息值，而后1 1实际信息值进 入输入神经网络层，将1 1预测信息值与1 1实际信息值进行比对得出判断输出值； 4)、再将1 1实际信息值作为新的学习认知对象，按参照推算模型计算出n 1预测 信息值，而后n 1实际信息值进入输入神经网络层，将n 1预测信息值与n 1实际信息值进行 比对得出判断输出值，由此逐步循环递进直至演化形成末位信息值； 5)、综合计算上述判断输出值，得到多个不同的结论概率值，根据结论概率值的表 现通过人为指定其一结论概率值。 本应用神经网络深度学习的智能测判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判断，从而避免间隔式独立数据判断而导致的 遗漏问题。 在上述的应用神经网络深度学习的智能测判方法中，所述智能测判方法还包括： A、深度学习方法：人工设定若干特定信息群，将每个特定信息群中的连续性信息 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，直至最终求出输出神经网络层中各个输出神 经元的结论概率值；上述整体深度学习的演化过程形成特定学习数据库； B、测判方法：将特定学习数据库中任一或任多类型演化过程作为参照推算模型； 使用参照推算模型与实际信息值进行一一比对，直至所判断的独立检体结束得出结论概率 值。 通过特定学习数据库可在所判断检体中寻找特定的目标属性，以完成针对性的搜 5 CN 111611893 A 说　明　书 3/7 页 索与鉴别。 在上述的应用神经网络深度学习的智能测判方法中，在A、深度学习方法的步骤2) 中，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智能测判方法中，所述智能测判方法应用于医 学领域的人体影像病灶判别中，所述空间属性为一段人体结构(例如，胸腔)的若干张位置 排序扫描影像；所述时间属性为人体同一位置或范围位置(例如，心脏)随时间延长变化态 势的扫描影像。 空间属性的连续性信息值可监测人体不同位置的构造形态，以判断人体在某一时 间有无病灶，且病灶的具体位置。时间属性的连续性信息值可监测人体单一病灶随时间延 长的变化，以监测病灶在正常情况下的发展态势，如果监测到病灶发生突增恶化，可提供警 示以避免病人因突然恶化而不自查导致的死亡率增加。 在上述的应用神经网络深度学习的智能测判方法中，所述智能测判方法应用于建 筑领域的内部结构老化监测中，所述时间属性为建筑内部结构的同一位置或范围位置(例 如，承重梁)随时间延长老化态势的监测影像。 公共建筑均具有一定使用年限，随着时间的推移建筑内结构均存在一定程度的老 化与腐蚀，利用时间属性的连续性信息值掌握在正常情况下建筑的老化历程，一旦监测到 建筑结构发生局部突变增强，可提供警示以避免坍塌等重大事故发生。 在上述的应用神经网络深度学习的智能测判方法中，在A、深度学习方法的步骤2) 中，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智能测判方法中，所述智能测判方法应用于医 学领域的人体影像病灶判别中，所述不同类型包括匀称体型人群的人体结构扫描影像，胖 型人群的人体结构扫描影像，瘦型人群的人体结构扫描影像，个高人群的人体结构扫描影 像，个矮人群的人体结构扫描影像；所述相反类型包括健康人群的人体结构扫描影像，不同 病态人群的人体结构扫描影像。 在上述的应用神经网络深度学习的智能测判方法中，所述智能测判方法应用于医 学领域的人体影像病灶判别中，作为参照值的信息群的扫描影像中，标注性别、年龄，扫描 部位(例如，胸、腹等)，健康或病态。其中病态可以对具体病名进行标注。 在上述的应用神经网络深度学习的智能测判方法中，所述智能测判方法应用于建 筑领域的内部结构老化监测中，作为参照值的信息群的监测影像中，标注结构名称、规格、 位置及使用时间。 在上述的应用神经网络深度学习的智能测判方法中，在A、深度学习方法的步骤3) 中，学习数据库至少包含300个信息群。 与现有技术相比，本应用神经网络深度学习的智能测判方法具有以下优点： 1、省去了对目标信息值的大量标注，可以最大限度地减少人工负担。 2、将所有特征信息进行整体识别，完成对所有目标信息值的监测，省去创建多项 识别器的繁琐，避免目标信息值遗漏问题。 3、根据真值预测下一个信息值，与实际信息值进行比较，输出差分区域进行目标 信息值甄别，形成对具有逻辑的连续性信息值的函数学习推导，对于没有学习的目标信息 6 CN 111611893 A 说　明　书 4/7 页 值也能应对，减少遗漏问题。 4、可以学习、训练特定目标信息值的专用识别器，并不断扩大对应领域。不断进化 成更高精度、更大规模的系统。 附图说明 图1是本发明实施例一的深度学习原理图。