一种有限数据下基于脑启发的深度神经网络增强方法

本发明提出了一种有限数据下基于脑启发的深度神经网络增强方法，属于深度学习技术领域，参照人类大脑内部的海马‑前额叶回路的异步工作机制，开发了一种通用的异步学习框架，首先将给定的深度神经网络模型划分为两个小规模的子模型，并使其分别承担原始网络的特征提取和预测功能；然后根据这些子模型进行模型重构，以获得给定深度神经网络的异步架构；最后利用设计的异步训练方法对重构后的模型进行训练，分别独立优化其特征提取器和预测器；本发明在不损害深度神经网络特征提取能力的情况下，克服现有技术中的参数过耦合和对大量训练数据高度依赖的问题。