一种用于资源受限设备的可解释轻量级深度神经网络

本发明公开了一种用于资源受限设备的可解释轻量级深度神经网络，涉及人工智能和机器学习领域。针对现有深度神经网络在处理复杂数据任务时，面临着可解释性差、计算复杂度高和资源消耗大的问题，本发明将核最小均方误差算法(KLMS)中的迭代计算转化为深度神经网络中的前向传播。KLMS‑Net中的每一层网络对应原始KLMS的一个迭代步骤，通过深度神经网络模块数据驱动地学习了一个类似核的隐式映射，替代了原始KLMS中难以解析的核技巧。本发明保持良好可解释性，能在维持较低计算复杂度的同时，提供优于传统深度神经网络的性能，且其决策过程具有较高的透明度和可信度。相较于传统方法，本发明的网络模型具有优越的性能、良好的可解释性和更高的资源利用效率。