1.一种深度学习方法,其特征在于,包括:
采集原始信号;
将所述原始信号进行训练,得到权值参数;
将所述原始信号和所述权值参数进行编码处理,得到特征向量;
根据所述特征向量得到判定结果。
2.根据权利要求1所述的深度学习方法,其特征在于,所述将所述原始信号进行训练,得到权值参数包括:
对所述原始信号进行归一化预处理得到统一格式的训练样本;
将所述统一格式的训练样本存储在样本数据库中,并构成训练样本集合;
判断对所述原始信号的采样是否结束;
如果未结束,则继续采集所述原始信号;
如果结束,则根据所述训练样本集合计算所述权值参数。
3.根据权利要求2所述的深度学习方法,其特征在于,所述根据所述训练样本集合计算所述权值参数包括:
从所述样本数据库中读取所述训练样本集合;
对所述训练样本集合进行前向传播计算和网络误差损失计算得到各层残差、各层权值参数和分类精度;
通过最小化所述残差调整所述权值参数,并判断所述分类精度是否达到预设阈值;
如果未达到所述预设阈值,则根据调整后的权值参数进行迭代计算,直到所述分类精度达到所述预设阈值。
4.根据权利要求1所述的深度学习方法,其特征在于,所述将所述原始信号和所述权值参数进行编码处理,得到特征向量包括:
生成初始化信息;
将所述权值参数、所述原始信号和所述初始化信息进行编码转换;
对所述编码转换后的权值参数进行存储,并根据所述编码转换后的初始化信息分配计算资源;
将所述编码转换后的权值参数和所述编码转换后的原始信号进行卷积计算、池化计算和全连接计算得到所述特征向量。
5.根据权利要求4所述的深度学习方法,其特征在于,所述根据所述特征向量得到判定结果包括:
通过将所述特征向量输入分类器中进行分类得到所述判定结果;
或者;
通过将所述特征向量与指定的对比向量进行比较得到相似度。
6.一种深度学习系统,其特征在于,包括:采集单元、逻辑控制单元、训练单元和识别单元;
所述采集单元,与所述逻辑控制单元相连接,用于采集原始信号,并将所述原始信号发送给所述逻辑控制单元;
所述逻辑控制单元,与所述训练单元相连接,用于将所述原始信号发送给所述训练单元,以使所述训练单元对所述原始信号进行训练,得到权值参数,接收所述训练单元发送的权值参数,并将所述权值参数、所述原始信号和初始化信息发送给所述识别单元;
所述识别单元,与所述逻辑控制单元相连接,用于根据所述权值参数和所述原始信号进行识别计算得到判定结果,将所述判定结果发送给所述逻辑控制单元。
7.根据权利要求6所述的深度学习系统,其特征在于,所述训练单元包括服务器和并行计算模块;
所述服务器,用于接收原始信号,并根据所述原始信号进行云端训练得到所述权值参数,将所述权值参数发送给所述逻辑控制单元;
所述并行计算模块,用于对所述云端训练的过程进行并行加速。
8.根据权利要求6所述的深度学习系统,其特征在于,所述识别单元包括接口模块、权值存储模块、特征提取模块和判定模块;
所述接口模块,与所述判定模块相连接,用于接收所述权值参数、所述原始信号和初始化信息,将所述初始化信息和所述原始信号发送给所述特征提取模块,以及将所述权值参数发送给所述权值存储模块;
所述权值存储模块,与所述特征提取模块相连接,用于存储所述权值参数,并将所述权值参数发送给所述特征提取模块;
所述特征提取模块,与所述判定模块相连接,用于根据初始化信息分配计算资源,并根据所述权值参数、所述原始信号的得到特征向量,将所述特征向量发送给所述判定模块;
所述判定模块,与所述接口模块相连接,用于根据所述特征向量得到判定结果,并将所述判定结果发送给所述接口模块,以使所述接口模块将所述判定结果发送给所述逻辑控制单元。
9.根据权利要求8所述的深度学习系统,其特征在于,所述接口模块还用于对所述权值参数、所述原始信号和所述初始化信息进行编码格式转化,以及对所述判定结果进行通用格式转化。
10.根据权利要求7所述的深度学习系统,其特征在于,所述逻辑控制单元为计算机。