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！

申请/专利权人：耳码科技(广东)有限公司

摘要：本发明涉及神经网络在线学习技术领域，具体涉及一种基于区块链的神经网络在线学习方法及系统。方法包括：根据区块链上存储的训练好的初始DNN网络，得到初始训练集中各医疗图像对应的特征矩阵以及准确率；计算期望特征矩阵；得到待训练数据集中各医疗图像对应的特征矩阵以及准确率；根据所述期望特征矩阵与待训练数据集中各医疗图像对应的特征矩阵，计算初始训练集中各医疗图像对应的关注程度；判定其是否大于设定关注程度阈值，若大于，则将对应的医疗图像和所述待训练数据集共同用于更新初始DNN网络，并存储在区块链上。本发明根据初始训练集中各医疗图像的关注程度，得到一个新的训练集对DNN网络进行更新和训练，使DNN网络能够快速收敛。

主权项：1.一种基于区块链的神经网络在线学习方法，其特征在于，该方法包括以下步骤：根据区块链上存储的训练好的初始DNN网络，得到初始训练集中各医疗图像对应的特征矩阵以及特征矩阵对应的准确率；根据初始训练集中各医疗图像对应的特征矩阵以及各特征矩阵对应的准确率，计算期望特征矩阵，对于一个医院a，医院a读取出存储在区块链上的所有特征矩阵，以及每个特征矩阵对应的准确率，然后根据所有特征矩阵和每个特征矩阵对应的准确率计算出一个质心位置，称为期望特征矩阵；将待训练数据集中各医疗图像输入到所述初始DNN网络的编码器中，得到待训练数据集中各医疗图像对应的特征矩阵以及特征矩阵对应的准确率；根据所述期望特征矩阵与待训练数据集中各医疗图像对应的特征矩阵，计算初始训练集中各医疗图像对应的关注程度，关注程度用于表征初始训练集中医疗图像是否需要参与到初始DNN网络的训练之中，关注程度是根据待训练数据集中各医疗图像对应的特征矩阵计算得到的，其中，先根据训练数据集中单个医疗图像对应的特征矩阵计算得到的初始训练集中医疗图像对应的子关注程度，然后通过对子关注程度求和的方式计算初始训练集中医疗图像对应的关注程度；判定初始训练集中各医疗图像对应的关注程度是否大于设定关注程度阈值，若大于，则将对应的医疗图像和所述待训练数据集共同用于更新初始DNN网络，并将更新后的DNN网络存储在区块链上；所述计算初始训练集中各医疗图像对应的关注程度的方法包括：根据所述期望特征矩阵、所述待训练数据集中各医疗图像对应的特征矩阵以及对应的准确率，得到各特征矩阵对应的异常程度；根据所述初始训练集中各医疗图像对应的特征矩阵和所述期望特征矩阵，计算出初始训练集差异；根据所述初始训练集中各医疗图像对应的特征矩阵和所述待训练数据集中各医疗图像对应的特征矩阵，计算出训练集差异；根据所述异常程度、初始训练集差异以及训练集差异，计算初始训练集中各医疗图像对应的子关注程度；将初始训练集中各医疗图像对应的多个子关注程度求和，得到初始训练集中各医疗图像对应关注程度；所述子关注程度的计算公式为： 其中，为根据待训练集中医疗图像d计算得到的初始训练集中医疗图像对应的子关注程度，为待训练数据集中医疗图像d对应的异常程度，为初始训练集中医疗图像对应的特征矩阵，待训练数据集中医疗图像d对应的特征矩阵，为所述期望特征矩阵；所述异常程度的计算公式为： 其中，为待训练数据集中的医疗图像在初始DNN网络上的准确率，为L2范式；所述期望特征矩阵的计算公式为： ，为初始训练集中医疗图像f在初始DNN网络上对应的准确率，S为初始训练集中医疗图像对应的特征矩阵的集合。

全文数据：

权利要求：

百度查询： 耳码科技(广东)有限公司 基于区块链的神经网络在线学习方法及系统