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！

龙图腾网恭喜清华大学申请的专利基于博弈论框架构建的神经网络模型终身学习方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN112712131B 。

龙图腾网通过国家知识产权局官网在2025-03-07发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202110049036.9，技术领域涉及：G06V10/82；该发明授权基于博弈论框架构建的神经网络模型终身学习方法是由郭雨晨;邓岳;李博翰;戴琼海;丁贵广设计研发完成，并于2021-01-14向国家知识产权局提交的专利申请。

本基于博弈论框架构建的神经网络模型终身学习方法在说明书摘要公布了：本申请提出一种基于博弈论框架构建的神经网络模型终身学习方法，包括：通过对环境熵与网络熵的定量表达，得到网络驱动因子，促使网络结构的变化，实现网络的持续学习，在环境发生空间以及时间上的变化时，保持有效，可迁移以及持续演化。同时将网络的成本，精度以及输出作为反馈信息，进一步帮助网络调整结构，实现数据闭环，实现网络随着时间演化的可持续学习，从而实现稳定有效的自学习。由此，本申请可以在数据集发生模态与时间变化的情况下持续学习，具有较强的实际应用前景。

本发明授权基于博弈论框架构建的神经网络模型终身学习方法在权利要求书中公布了：1.一种基于博弈论框架构建的神经网络模型终身学习方法，其特征在于，包括：对输入图像进行特征提取，获得针对所述输入图像的特征向量；将所述输入图像的特征向量输入至环境熵计算网络进行环境熵计算，获得所述环境熵计算网络输出的环境熵；基于网络熵计算网络对主体网络计算网络熵，并将所述网络熵映射到与所述环境熵相同的空间；根据所述环境熵和所述网络熵生成对应的熵平衡驱动因子；根据所述熵平衡驱动因子驱动所述主体网络中连接节点的策略与权重的变化，并根据变化后的所述主体网络获取网络成本和网络误差；其中，通过如下公式计算所述网络成本： 其中，Ui,t为在时间t下节点i在采取策略后的节点成本；假设节点i对于其他节点的连接情况为“连接强度为Θi，断开为0”，将其写入权重矩阵Mi＝Θ1,Θ2,…,Θk，则节点i在采取策略后的节点成本将所述网络成本、所述网络误差和所述主体网络的输出结果作为反馈信息，并将所述反馈信息和所述输入图像的特征向量输入至所述环境熵计算网络进行环境熵计算，返回执行所述获得所述环境熵计算网络输出的环境熵的步骤；其中，所述环境熵计算网络的学习过程如下： 其中，fe,fd分别是编码器与解码器，是所述编码器的权重，be是所述编码器的偏置，是所述解码器的权重，bd是所述解码器的偏置，zu是包含有熵信息的隐变量，yu是通过含熵隐变量zu解码出的特征；所述编码器通过对特征向量的学习，将其映射到包含有熵信息的隐空间中；所述解码器将从所述隐空间中采样的隐变量解码为特征，验证所述隐变量的可靠性；其中，在训练时，需要满足以下目标函数：minLu＝||xu-yu||2；其中，xu为所述输入图像的特征向量；将训练好的编码器作为所述环境熵计算网络；其中，所述网络熵计算网络的学习过程如下： 其中，ge,gd分别是编码器和解码器，是所述编码器的权重，αe是所述编码器的偏置，是所述解码器的权重，αd是所述解码器的偏置；zn是包含有熵信息的隐变量，yn是通过含熵隐变量zn重建的网络熵；在训练时，需要满足以下的目标函数：minLn＝||Hgraph-yn||2其中，Hgraph为图形熵，其中，为所述主体网络之中每个节点i与di个节点相连的连接强度；将训练好的编码器作为所述网络熵计算网络。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人清华大学，其通讯地址为：100084 北京市海淀区清华园；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。