技術(shù)特征：

1.一種神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法，其特征在于，包括：

獲取符合設(shè)定精度條件的第一神經(jīng)網(wǎng)絡(luò)，并基于所述第一神經(jīng)網(wǎng)絡(luò)處理設(shè)定的訓(xùn)練樣本集，獲得所述訓(xùn)練樣本集中各訓(xùn)練樣本的第一特征向量；

基于設(shè)定的網(wǎng)絡(luò)構(gòu)建條件構(gòu)造待訓(xùn)練的第二神經(jīng)網(wǎng)絡(luò)，其中，所述第二神經(jīng)網(wǎng)絡(luò)的節(jié)點個數(shù)和/或網(wǎng)絡(luò)層數(shù)小于所述第一神經(jīng)網(wǎng)絡(luò)；

根據(jù)所述第一特征向量及所述訓(xùn)練樣本集訓(xùn)練所述第二神經(jīng)網(wǎng)絡(luò)，確定滿足設(shè)定精度條件的第二神經(jīng)網(wǎng)絡(luò)；

將所述滿足設(shè)定精度條件的第二神經(jīng)網(wǎng)絡(luò)確定為所述第一神經(jīng)網(wǎng)絡(luò)的目標(biāo)神經(jīng)網(wǎng)絡(luò)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述第一特征向量及所述訓(xùn)練樣本集訓(xùn)練所述第二神經(jīng)網(wǎng)絡(luò)，確定滿足設(shè)定精度條件的第二神經(jīng)網(wǎng)絡(luò)，包括：

初始化特征萃取參數(shù)的參數(shù)值；

根據(jù)所述參數(shù)值、第一特征向量、訓(xùn)練樣本集以及設(shè)定的優(yōu)化函數(shù)，確定第二神經(jīng)網(wǎng)絡(luò)中相鄰兩層連接節(jié)點的目標(biāo)權(quán)重參數(shù)值，并將具有所述目標(biāo)權(quán)重參數(shù)的第二神經(jīng)網(wǎng)絡(luò)確定為候選神經(jīng)網(wǎng)絡(luò)；

基于設(shè)定規(guī)則更新所述特征萃取參數(shù)的參數(shù)值，如果所述參數(shù)值不符合循環(huán)結(jié)束條件，則將所述候選神經(jīng)網(wǎng)絡(luò)作為新的第二神經(jīng)網(wǎng)絡(luò)，并返回執(zhí)行目標(biāo)權(quán)重參數(shù)的確定操作；否則，將所述候選神經(jīng)網(wǎng)絡(luò)確定為滿足設(shè)定精度條件的第二神經(jīng)網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述參數(shù)值、第一特征向量、訓(xùn)練樣本集以及設(shè)定的優(yōu)化函數(shù)，確定第二神經(jīng)網(wǎng)絡(luò)中相鄰兩層連接節(jié)點的目標(biāo)權(quán)重參數(shù)值，包括：

初始化預(yù)設(shè)的迭代值，并確定所述第二神經(jīng)網(wǎng)絡(luò)中相鄰兩層連接節(jié)點的當(dāng)前權(quán)重參數(shù)值；

根據(jù)具有所述當(dāng)前權(quán)重參數(shù)值的第二神經(jīng)網(wǎng)絡(luò)處理所述訓(xùn)練樣本集，并獲得當(dāng)前的處理結(jié)果；

根據(jù)所述參數(shù)值、所述第一特征向量、所述處理結(jié)果以及設(shè)定的優(yōu)化函數(shù)，確定所述當(dāng)前權(quán)重參數(shù)值對應(yīng)的優(yōu)化函數(shù)值，并將所述當(dāng)前權(quán)重參數(shù)值及對應(yīng)的優(yōu)化函數(shù)值存放于候選參數(shù)集；

如果所述迭代值不符合迭代結(jié)束條件，則自增加所述迭代值，并基于隨機梯度下降法調(diào)整所述當(dāng)前權(quán)重參數(shù)值，返回執(zhí)行訓(xùn)練樣本集的處理操作；否則，確定所述候選參數(shù)集中的最小優(yōu)化函數(shù)值，將所述最小優(yōu)化函數(shù)值對應(yīng)的當(dāng)前權(quán)重參數(shù)值確定為目標(biāo)權(quán)重參數(shù)值，并將具有所述目標(biāo)權(quán)重參數(shù)值的第二神經(jīng)網(wǎng)絡(luò)確定為候選神經(jīng)網(wǎng)絡(luò)。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述根據(jù)具有所述當(dāng)前權(quán)重參數(shù)值的第二神經(jīng)網(wǎng)絡(luò)處理所述訓(xùn)練樣本集，并獲得當(dāng)前的處理結(jié)果，包括：

根據(jù)具有所述當(dāng)前權(quán)重參數(shù)值的第二神經(jīng)網(wǎng)絡(luò)處理所述訓(xùn)練樣本集，獲得所述訓(xùn)練樣本集中各訓(xùn)練樣本當(dāng)前的第二特征向量；以及

從所述訓(xùn)練樣本集中獲取一對訓(xùn)練樣本，如果所述少一對訓(xùn)練樣本中包含相同信息，則將第一定值作為所述一對訓(xùn)練樣本中各訓(xùn)練樣本的標(biāo)簽值；否則，將第二定值作為所述一對訓(xùn)練樣本中各訓(xùn)練樣本的標(biāo)簽值；

獲取所述一對訓(xùn)練樣本中各訓(xùn)練樣本當(dāng)前的第二特征向量。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述優(yōu)化函數(shù)設(shè)定為：

op(g)＝ηloss₁(g)+(1-η)loss₂(g)，其中，op(g)表示當(dāng)前權(quán)重參數(shù)值g對應(yīng)的優(yōu)化函數(shù)值，η為經(jīng)驗參數(shù)，loss₁(g)表示當(dāng)前權(quán)重參數(shù)值g對應(yīng)的第一損失函數(shù)值，loss₂(g)表示當(dāng)前權(quán)重參數(shù)g對應(yīng)的第二損失函數(shù)值；

所述第一損失函數(shù)設(shè)定為：其中，i≥1表示所述訓(xùn)練樣本集中的第i個訓(xùn)練樣本；||h_i(g)-f_i*||表示h_i(g)與f_i*之差的范數(shù)值，h_i(g)表示第i個訓(xùn)練樣本在當(dāng)前權(quán)重參數(shù)值g時對應(yīng)的第二特征向量；f_i*表示第i個訓(xùn)練樣本的萃取特征向量，所述萃取特征向量基于第i個訓(xùn)練樣本的第一特征向量及特征萃取參數(shù)確定；

所述第二損失函數(shù)設(shè)定為：其中，j取1或2，表示所述一對訓(xùn)練樣本中的任一訓(xùn)練樣本；y表示所述一對訓(xùn)練樣本中各訓(xùn)練樣本的標(biāo)簽值；d_j＝||h_j(g)-f_j*||，表示h_j(g)與f_j*之差的范數(shù)值，h_j(g)表示第j個訓(xùn)練樣本在當(dāng)前權(quán)重參數(shù)值g時對應(yīng)的第二特征向量；f_j*表示第j個訓(xùn)練樣本的萃取特征向量；α為經(jīng)驗參數(shù)。

6.一種神經(jīng)網(wǎng)絡(luò)的優(yōu)化裝置，其特征在于，包括：

初始信息獲取模塊，用于獲取符合設(shè)定精度條件的第一神經(jīng)網(wǎng)絡(luò)，并基于所述第一神經(jīng)網(wǎng)絡(luò)處理設(shè)定的訓(xùn)練樣本集，獲得所述訓(xùn)練樣本集中各訓(xùn)練樣本的第一特征向量；

網(wǎng)絡(luò)模型構(gòu)建模塊，用于基于設(shè)定的網(wǎng)絡(luò)構(gòu)建條件構(gòu)造待訓(xùn)練的第二神經(jīng)網(wǎng)絡(luò)，其中，所述第二神經(jīng)網(wǎng)絡(luò)的節(jié)點個數(shù)和/或網(wǎng)絡(luò)層數(shù)小于所述第一神經(jīng)網(wǎng)絡(luò)；

網(wǎng)絡(luò)模型優(yōu)化模塊，用于根據(jù)所述第一特征向量及所述訓(xùn)練樣本集訓(xùn)練所述第二神經(jīng)網(wǎng)絡(luò)，確定滿足設(shè)定精度條件的第二神經(jīng)網(wǎng)絡(luò)；

目標(biāo)網(wǎng)絡(luò)確定模塊，用于將所述滿足設(shè)定精度條件的第二神經(jīng)網(wǎng)絡(luò)確定為所述第一神經(jīng)網(wǎng)絡(luò)的目標(biāo)神經(jīng)網(wǎng)絡(luò)。

7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述網(wǎng)絡(luò)模型優(yōu)化模塊，具體包括：

參數(shù)初始化單元，用于初始化特征萃取參數(shù)的參數(shù)值；

候選網(wǎng)絡(luò)確定單元，用于根據(jù)所述參數(shù)值、第一特征向量、訓(xùn)練樣本集以及設(shè)定的優(yōu)化函數(shù)，確定第二神經(jīng)網(wǎng)絡(luò)中相鄰兩層連接節(jié)點的目標(biāo)權(quán)重參數(shù)值，并將具有所述目標(biāo)權(quán)重參數(shù)的第二神經(jīng)網(wǎng)絡(luò)確定為候選神經(jīng)網(wǎng)絡(luò)；

循環(huán)優(yōu)化單元，用于基于設(shè)定規(guī)則更新所述特征萃取參數(shù)的參數(shù)值，當(dāng)所述參數(shù)值不符合循環(huán)結(jié)束條件時，將所述候選神經(jīng)網(wǎng)絡(luò)作為新的第二神經(jīng)網(wǎng)絡(luò)，并返回候選網(wǎng)絡(luò)確定單元；否則，將所述候選神經(jīng)網(wǎng)絡(luò)確定為滿足設(shè)定精度條件的第二神經(jīng)網(wǎng)絡(luò)。

8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述候選網(wǎng)絡(luò)確定單元，具體包括：

初始化子單元，用于初始化預(yù)設(shè)的迭代值，并確定所述第二神經(jīng)網(wǎng)絡(luò)中相鄰兩層連接節(jié)點的當(dāng)前權(quán)重參數(shù)值；

樣本處理子單元，用于根據(jù)具有所述當(dāng)前權(quán)重參數(shù)值的第二神經(jīng)網(wǎng)絡(luò)處理所述訓(xùn)練樣本集，并獲得當(dāng)前的處理結(jié)果；

數(shù)值確定子單元，用于根據(jù)所述參數(shù)值、所述第一特征向量、所述處理結(jié)果以及設(shè)定的優(yōu)化函數(shù)，確定所述當(dāng)前權(quán)重參數(shù)值對應(yīng)的優(yōu)化函數(shù)值，并將所述當(dāng)前權(quán)重參數(shù)值及對應(yīng)的優(yōu)化函數(shù)值存放于候選參數(shù)集；

迭代判定子單元，用于當(dāng)所述迭代值不符合迭代結(jié)束條件，則自增加所述迭代值，并基于隨機梯度下降法調(diào)整所述當(dāng)前權(quán)重參數(shù)值，返回執(zhí)行訓(xùn)練樣本集的處理操作；否則，

確定所述候選參數(shù)集中的最小優(yōu)化函數(shù)值，將所述最小優(yōu)化函數(shù)值對應(yīng)的當(dāng)前權(quán)重參數(shù)值確定為目標(biāo)權(quán)重參數(shù)值，并將具有所述目標(biāo)權(quán)重參數(shù)值的第二神經(jīng)網(wǎng)絡(luò)確定為候選神經(jīng)網(wǎng)絡(luò)。

9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述樣本處理子單元，具體用于：

根據(jù)具有所述當(dāng)前權(quán)重參數(shù)值的第二神經(jīng)網(wǎng)絡(luò)處理所述訓(xùn)練樣本集，獲得所述訓(xùn)練樣本集中各訓(xùn)練樣本當(dāng)前的第二特征向量；以及

從所述訓(xùn)練樣本集中獲取一對訓(xùn)練樣本，如果所述一對訓(xùn)練樣本中包含相同信息，則將第一定值作為所述一對訓(xùn)練樣本中各訓(xùn)練樣本的標(biāo)簽值；否則，將第二定值作為所述一對訓(xùn)練樣本中各訓(xùn)練樣本的標(biāo)簽值；

獲取所述一對訓(xùn)練樣本中各訓(xùn)練樣本當(dāng)前的第二特征向量。

10.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述優(yōu)化函數(shù)設(shè)定為：

op(g)＝ηloss₁(g)+(1-η)loss₂(g)，其中，op(g)表示當(dāng)前權(quán)重參數(shù)值g對應(yīng)的優(yōu)化函數(shù)值，η為經(jīng)驗參數(shù)，loss₁(g)表示當(dāng)前權(quán)重參數(shù)值g對應(yīng)的第一損失函數(shù)值，loss₂(g)表示當(dāng)前權(quán)重參數(shù)g對應(yīng)的第二損失函數(shù)值；

所述第一損失函數(shù)設(shè)定為：其中，i≥1表示所述訓(xùn)練樣本集中的第i個訓(xùn)練樣本；||h_i(g)-f_i*||表示h_i(g)與f_i*之差的范數(shù)值，h_i(g)表示第i個訓(xùn)練樣本在當(dāng)前權(quán)重參數(shù)值g時對應(yīng)的第二特征向量；f_i*表示第i個訓(xùn)練樣本的萃取特征向量，所述萃取特征向量基于第i個訓(xùn)練樣本的第一特征向量及特征萃取參數(shù)確定；

所述第二損失函數(shù)設(shè)定為：其中，j取1或2，表示所述一對訓(xùn)練樣本中的任一訓(xùn)練樣本；y表示所述一對訓(xùn)練樣本中各訓(xùn)練樣本的標(biāo)簽值；d_j＝||h_j(g)-f_j*||，表示h_j(g)與f_j*之差的范數(shù)值，h_j(g)表示第j個訓(xùn)練樣本在當(dāng)前權(quán)重參數(shù)值g時對應(yīng)的第二特征向量；f_j*表示第j個訓(xùn)練樣本的萃取特征向量；α為經(jīng)驗參數(shù)。