【CN109995690A】MFSK数字信号子类调制识别的神经网络自优化方法【专利】
基于神经网络的图像识别算法优化
基于神经网络的图像识别算法优化一、引言随着人工智能技术的不断发展，图像识别技术在工业、医疗、金融等各个领域中得到了广泛的应用。
然而，在实际的应用中，由于数据量和模型复杂度的不断增加，传统的图像识别算法已经无法满足实际需求。
此时，基于神经网络的图像识别算法成为了一个热门话题。
本文将探讨如何通过优化神经网络算法来提高图像识别的准确率和效率，以及其在实际应用中的优势和局限性。
二、神经网络的基本原理神经网络是一种模仿人脑神经元之间联系的计算模型。
它由许多个体相连的神经元组成，每个神经元都与它周围的神经元相连。
神经网络的输入层将输入信号转化为内部信号，然后通过隐藏层进行处理，最后输出预测结果。
其中，每层都由多个神经元组成，每个神经元都依据输入和激活函数的作用来产生输出信号。
在图像识别中，神经网络算法通常分为三个步骤：预处理、特征提取和决策分类。
预处理是将原始数据转化为神经网络能够处理的格式，包括图片归一化、灰化、降噪、滤波等处理。
特征提取是通过卷积和池化等方式提取数据的特征。
决策分类是对特征进行分类，确定图像的分类或识别结果。
三、神经网络算法的优化方法神经网络在图像识别中的应用已经获得了巨大的成功。
然而，神经网络算法的计算量巨大，训练时间长，同时多层网络参数的初始化也很复杂，因此需要采取一系列的优化方法，以提高算法的效率和准确率。
1.卷积核的优化卷积核是神经网络中最关键的参数之一，它直接影响到卷积层的特征提取效果。
优化卷积核可以在不同的大小、滑动步长、层数以及卷积核尺寸上调整，通过对卷积核的设计，可以改善卷积层的特征提取效果，从而提高分类的准确率。
同时，在训练神经网络过程中，使用了已经训练好的卷积核来进行批量的优化，加快了神经网络的训练时间。
2.激活函数的选择激活函数是指输入值经过激活函数的处理后，输出神经元的一个非线性函数。
选择合适的激活函数，能够提高神经网络的非线性表达能力，从而更好地识别图像。
经常使用的激活函数包括sigmoid、ReLU、LeakyReLU、Softmax等。
机器学习中神经网络的优化算法
机器学习中神经网络的优化算法机器学习是一门非常流行且应用广泛的领域，神经网络作为其中的重要组成部分，其优化算法也是研究热点之一。
本文将会就机器学习中神经网络的优化算法及其基本原理进行详细的介绍。
一、神经网络神经网络是一种运用于人工智能领域的一类模拟神经网络，它通过仿生学理论，从生物神经元模型中提取出神经网络的架构框架，并针对不同问题进行设计的一种模型。
一个神经网络由许多连接元件（以人为例，比如神经元）构成，并能通过这些元件之间的联系，提炼出模式的特征。
它可以在环境方面学习到依赖、适应，对系统的复杂性和不确定性有着非常优秀的适应性。
二、神经网络的优化算法神经网络的优化算法是将神经网络算法中的目标函数优化到合适的参数范围，使神经网络能够最优的求解问题，这些问题通常包含了分类、聚类、预测和模型识别等。
目前，神经网络的优化算法有非常多的种类，下面将会详细介绍其中的几种优化算法。
1.梯度下降梯度下降是最基本的神经网络优化算法，也是最常用的一种。
通过将神经网络中的目标函数对网络的权值进行迭代的计算，使得目标函数可以尽量达到最优的效果。
其计算公式为：w ← w-η·∇L(w,b)其中，w代表权值，η代表学习率，b代表偏差值，L代表代价函数，∇L(w,b)代表代价函数的梯度。
2.基于动量的梯度下降基于动量的梯度下降法是对传统梯度下降法的扩展，通过加入动量项对传统梯度下降法进行优化。
其核心思想是在连续的迭代过程中，累积之前学习的方向，更加有效的在加速收敛过程。
其计算公式为：v ← β·v - (1-β)·∇L(w,b)w ← w+η·v其中，v代表动量项，β代表动量参数。
3.自适应学习率优化算法传统的梯度下降法中学习率是一个常值，不具有自适应性，而自适应学习率优化算法则是通过不断地更新学习率，来加速收敛的速度。
目前比较流行的自适应学习率优化算法有Adagrad、Adadelta、RMSprop等。
基于神经网络的信号处理方法研究与优化
基于神经网络的信号处理方法研究与优化神经网络在信号处理领域的应用正变得越来越广泛。
它以其强大的学习和自适应能力，极大地改善了信号处理的效果。
本文将探讨基于神经网络的信号处理方法的研究与优化。
为了更好地理解神经网络在信号处理中的应用，首先需要了解神经网络的基本原理。
神经网络是一种生物启发式的计算模型，模拟了人类大脑中的神经元之间的相互作用。
它由多个神经元（或称为节点）组成的层次结构构成。
每个神经元可以接收来自上一层神经元的输入，并产生相应的输出。
通过不断地调整神经元之间的权重和阈值，神经网络可以学习到输入输出之间的映射关系。
在信号处理中，神经网络的应用可以从两个方面进行研究与优化。
一方面，神经网络可以用于信号的预处理，即在信号进入其他信号处理算法之前，通过神经网络进行初步的处理。
另一方面，神经网络也可以直接用于信号的处理和分析，根据输入信号的特征，对信号进行分类、鉴别或估计。
在神经网络用于信号的预处理时，常常采用的方法是使用递归神经网络（RNN）或卷积神经网络（CNN）。
递归神经网络主要用于序列信号的预处理，如语音信号或时间序列数据。
它可以通过学习序列信号的上下文信息，提高信号噪声抑制、语音增强、音频去混响等工作的效果。
而卷积神经网络主要用于图像信号的预处理，如图像去噪、图像增强、图像超分辨率重建等。
它可以通过学习图像信号的空间信息，提高图像质量和细节的恢复。
在神经网络直接用于信号的处理和分析时，常常采用的方法是使用深度神经网络（DNN）。
深度神经网络是一种多层的神经网络，可以通过不断地堆叠隐藏层，提高模型的表达能力和学习能力。
在信号的分类和鉴别中，深度神经网络可以学习到信号的抽象特征，提高分类和鉴别的准确率。
在信号的估计和预测中，深度神经网络可以学习到信号的非线性映射关系，提高估计和预测的精度。
为了进一步优化基于神经网络的信号处理方法，可以从以下几个方面进行研究。
首先，可以研究神经网络的结构设计和参数优化方法。
神经网络优化学习算法综述
神经网络优化学习算法综述摘要：人工神经网络的研究始于二十世纪四十年代，神经网络的优化学习一直是研究的热点。
神经网络的优化算法就是利用神经网络中的神经元的协同并行计算能力来构造的优化算法，它将实际问题的优化解与神经网络的稳定状态相对应，把对实际问题的优化过程映射为神经网络系统的演化过程。
本文对目前几种常见的神经网络优化学习算法，感知器，Widrow-Hoff 学习算法，BP学习算法等进行了综述性研究。
关键词：人工神经网络，优化学习，感知器，Widrow-Hoff，BP，RBFA Survey on Neural Network Optimization Learning AlgorithmsAbstract: Artificial neural network research began in the 1940s, neural network optimization study has been on the hot. Neural network optimization algorithm is that it uses the neural networks of neurons in the synergy parallel computing capacity to optimize the structure of the algorithm, it make the optimization of the practical problems correspond with the stable state of the neural network, and the optimization process of practical problems is mapped for the evolvement process of the neural network systems. In this paper, several of the current common neural networks with their learning algorithm optimizations are given an overviewed research, such as perceptron, Widrow-Hoff learning algorithm, BP learning algorithm, and so on.Key words: neural networks, learning algorithm, perceptron, BP，RBF, Widrow-Hoff一引言神经网络的研究至今已有近60年的历史，其发展道路曲折，目前已得到较深入而广泛的研究与应用。
神经网络优化算法的应用与研究进展
神经网络优化算法的应用与研究进展近年来，神经网络成为了计算机科学领域研究的热点之一。
它具有良好的自适应性、强大的计算能力和广泛的适应性。
神经网络优化算法是神经网络中的一个重要领域，它的研究成果被广泛应用于各个领域，并取得了显著的效果。
本文将探讨神经网络优化算法的应用和研究进展。
一、神经网络优化算法的应用神经网络优化算法广泛应用于模式识别、图像处理、语音处理、自然语言处理、机器人控制、金融预测等领域。
下面将介绍其中的几个应用领域。
1. 模式识别模式识别是指识别数据中的某个模式。
神经网络优化算法可以通过训练将大量的数据转换为特定的模式或类别，以实现对数据的有效分类和识别。
在生物医学领域，神经网络优化算法被广泛应用于癌症诊断和疾病治疗。
2. 图像处理图像处理是指对图像进行数字化处理。
神经网络优化算法可以从大量的图像数据中提取有用的特征，如边角、纹理等，以实现图像的匹配和分类。
这一应用领域包括图像识别、人脸识别等。
3. 语音处理语音处理是指对语音信号进行数字化处理。
神经网络优化算法可以将大量的语音数据转换为语音特征，以实现对语音信号的识别和分类。
这一应用领域包括语音识别、语音合成等。
4. 自然语言处理自然语言处理是指对自然语言进行数字化处理。
神经网络优化算法可以将大量的自然语言数据转换为特定的语法结构和语义表达，以为文本分析和语言翻译提供更好的基础。
这一应用领域包括机器翻译、语言理解等。
二、神经网络优化算法的研究进展神经网络优化算法的研究围绕着优化算法的设计和理论分析，以及算法的应用等方面展开。
下面将介绍其中的几个方面。
1. 神经网络优化算法的设计神经网络优化算法的设计是对算法的效率和可靠性进行优化的关键环节。
目前，人们主要研究神经网络优化算法的结构设计、参数设置、适应性操作等问题。
其中，进化算法、遗传算法、蚁群算法、粒子群算法、差分进化算法等被广泛应用。
2. 神经网络优化算法的理论分析神经网络优化算法的理论分析是指对算法效果进行理论分析，以发现其潜在机理，并提高算法的准确性和可靠性。
神经网络与深度学习算法的优化
神经网络与深度学习算法的优化神经网络和深度学习算法是目前人工智能领域的两个重要分支，它们在图像识别、自然语言处理、机器翻译、语音识别等方面都有广泛的应用。
神经网络和深度学习算法复杂度高，训练时需要大量的计算资源和时间，如何优化神经网络和深度学习算法，提高其性能和效率，成为目前研究的热点问题。
一、神经网络的优化神经网络是模拟人类大脑神经元之间的信息传递和信号处理机制，由多个单元（神经元）组成。
在训练神经网络时，最常用的方法是反向传播算法，其主要思想是通过调整权重和偏差，使得神经网络输出的预测结果与真实结果之间的误差最小化。
神经网络的优化主要包括以下几个方面。
1. 数据增强数据增强是指在训练数据集中增加一些变换，如旋转、平移、缩放、镜像等操作，来扩充训练数据集的大小。
数据增强可以增强模型的泛化能力，减少过拟合现象。
2. 权重初始化神经网络的权重初始化对模型的性能有很大影响。
合适的权重初始化可以使模型更容易收敛，减少训练时间和参数量。
常见的权重初始化方法有随机初始化、高斯分布初始化、Xavier初始化等。
3. 正则化正则化是通过限制模型的复杂度，防止模型过度拟合。
常见的正则化方法有L1正则化、L2正则化、Dropout等。
4. 梯度下降梯度下降是神经网络训练的核心算法，通过计算每个权重和偏差对损失函数的导数，找到使损失函数最小化的权重和偏差。
常见的梯度下降方法有批量梯度下降、随机梯度下降、小批量梯度下降等。
二、深度学习算法的优化深度学习算法是以神经网络为基础的机器学习算法，它是一种训练深层网络的方法。
深度学习算法的优化主要包括以下几个方面。
1. 卷积神经网络卷积神经网络是一种专门用于图像处理的神经网络。
它通过卷积运算和池化操作，提取出图像的特征，并将其输入到全连接层进行分类。
卷积神经网络可以大大减少神经网络中的参数量，提高了训练速度和模型性能。
2. 残差网络残差网络是一种用于深度学习的网络结构，它通过跨层连接（shortcut connection）来解决深层网络中的梯度消失和梯度爆炸问题。
一种优化的卷积神经网络调制识别算法
一种优化的卷积神经网络调制识别算法陈雪;姚彦鑫【摘要】针对非合作接收条件下信号的调制识别问题,提出了一种基于循环谱特征和深度卷积神经网络的自动调制分类算法.该算法首先利用二值化、形态学操作等技术对循环谱数据集预处理,提高网络泛化能力;然后将数据集输入到卷积神经网络模型中,经过网络的特征提取实现分类识别.在网络中添加残差块网络增大感受野,提高特征提取能力.采用Dropout、优化函数等技术优化网络结构,防止训练过拟合.仿真结果表示,与传统方法和现有的一些深度学习调制识别方法相比,该算法在低信噪比条件下有更高的准确率,具有明显的抗噪声优势,是一个有效的调制识别算法.【期刊名称】《电讯技术》【年(卷),期】2019(059)005【总页数】6页(P507-512)【关键词】非合作通信;调制识别;深度卷积神经网络;循环谱【作者】陈雪;姚彦鑫【作者单位】北京信息科技大学信息与通信工程学院,北京100010;北京信息科技大学信息与通信工程学院,北京100010【正文语种】中文【中图分类】TN911.721 引言调制分类在许多军事和民用通信应用中发挥着关键作用。
典型的方法通常可以分为基于最大似然的决策理论方法和基于特征的方法[1]，前者通过将似然比与贝叶斯标准与确定的阈值进行比较来作出决定，可以导致贝叶斯意义上的最优解[2]，但不可避免地存在一些缺点，例如缺乏封闭形式的解决方案，以及经常遇到的问题概率不匹配；后者通常分为特征提取和模式识别，首先从特征提取阶段的未知接收信号中提取参考特征，然后根据提取的特征为模式识别阶段中的该信号确定调制方案。
循环谱特征是数字调制信号分析的常用方法：文献[3]利用循环谱的周期性和对称性来建立多个图的简明特征，通过汉明距离的计算实现调制分类；文献[4]根据信号的循环平稳特性，基于循环谱的特征结合贝叶斯和线性判别方法对数字信号BPSK、QPSK、FSK和MSK进行分类；文献[5]将循环谱和高阶累计量融合联合多种特征参数判决构建识别器。
利用神经网络实现调制信号的自动识别
利用神经网络实现调制信号的自动识别姜莉【摘要】通信信号调制方式自动识别是信号分析领域中一个比较新的研究方向，是未来软件无线电必须具备的功能之一。
本文分别研究了对模拟调制信号的自动识别、数字调制信号的自动识别和模拟数字调制信号的联合自动识别，并且利用神经网络对特征参数进行简约处理，通过计算机仿真，能够达到较好的自动识别效果。
%Automatic modulation recognition of communication signals is the signal analysis is a new research direction in the field,is one of the future must have the functions of software radio.The automatic identification of digital modulation signal automatic identification and simulation were studied in this paper,automatic identification of digital modulation signal to analog modulation signal,and the use of neural network with the feature parameters of the simple processing,through computer simulation, can achieve the automatic recognition effect is good.【期刊名称】《电子测试》【年(卷),期】2014(000)007【总页数】3页(P71-73)【关键词】神经网络;调制信号【作者】姜莉【作者单位】四川信息职业技术学院，628000【正文语种】中文0 前言自上个世纪末以来，信息科学技术迅猛发展，在社会各个领域得到越来越广泛的应用，而通信是信息产业中发展最为迅速、进步最快的行业。
基于神经网络的数字调制信号的自动识别
基于神经网络的数字调制信号的自动识别作者：周明江王继武来源：《科技创新导报》2017年第01期摘要：该文在采用MATLAB生成FSK、PSK等常用数字调制信号的基础上，进一步详细分析了各种常用数字调制信号的基本瞬时特征，提取出了可用于区分各种常用数字调制信号的5个特征参数，并将特征参数映射为常用数字调制信号，依据特征参数将神经网络技术运用于常用数字调制信号的自动识别，实验证明此方法能较好识别常用数字调制信号，效果良好。
关键词：神经网络特征提取模式识别中图分类号：U495 文献标识码：A 文章编号：1674-098X（2017）01（a）-0115-05随着通信技术的飞速发展，出现了适用于不同背景环境的通信标准，每种标准都有其特定的调制方式和工作频段，为了满足人们实现不同标准间互通的需求，软件无线电技术应运而生。
它利用可升级、可替代的软件来完成尽可能多的通信功能硬件模块，将多种类型的信号处理基于一体。
为了能够处理不同类型的调制信号，必须首先识别出信号的调制类型，然后才能进行下一步处理。
因此，调制信号的自动识别技术，就成了软件无线电技术中的关键。
神经网络具有的信息分布式存储、大规模自适应并行处理和高度的容错性等特点，是用于模式识别的基础。
特别是其学习能力和容错性对不确定性模式识别具有独到之处。
其中BP网络长期以来一直是神经网络分类器的热点，由于它理论发展成熟，网络结构清晰，因此得到了广泛应用。
基于A.K. Nandi和E.E. Azzouz从瞬时频率、瞬时幅度和瞬时相位中提取的特征参数，我们就可以用神经网络对常用的数字调制信号进行自动分类。
1 神经网络根据T. Koholen的定义：“人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体做出交互反应。
”人工神经网络是在现代神经学研究成果的基础上发展起来的模仿人脑信息处理机制的网络系统，它由大量简单的人工神经元广泛连接而成，反映了人脑功能的若干特性，可以完成学习、记忆、识别和推理等功能。
神经网络的工作原理与优化策略
神经网络的工作原理与优化策略神经网络是一种基于人脑神经元的模型，具有很高的灵活性和自适应性。
它是当今人工智能领域最热门的技术之一，已经广泛应用于图像识别、语音识别、自然语言处理等领域。
神经网络的工作原理是通过输入一系列的数据，在不同的神经元之间建立连接，将数据进行处理，并输出给下一层或最终输出层。
这个过程像是一个黑盒子，我们无法准确知道内部是如何实现的，但是可以通过调整神经元之间的连接权重和偏置值来优化模型。
神经网络中最基本的单元是神经元，也被称为感知器。
神经元接收一组输入信号，并对这些信号进行加权求和，再通过一个激活函数（通常是sigmoid或ReLU）进行非线性映射，得到一个信号输出。
多个神经元可以组成一层，多个层则组成整个神经网络。
在神经网络中，也存在着误差反向传播（Backpropagation）算法。
该算法通过最小化网络输出与期望输出之间的差距，来调整每个神经元之间的连接权重。
该算法的流程包括前向传播和反向传播两个过程。
前向传播用来计算神经网络的输出值，而反向传播则用来计算误差并计算权重更新值。
神经网络的训练过程中还要注意一个问题：过拟合。
神经网络的训练数据越多，就越容易存在过拟合的问题。
过拟合是指神经网络过多地学习训练数据中的细节和噪声，导致在测试数据上的表现非常差。
为了避免过拟合，可以采取一系列的正则化方法，如L1正则化、L2正则化、dropout等。
准确率也是神经网络优化的一个关键点。
准确率的提高需要不断迭代，调整模型的参数。
同时，还可以采取一些优化算法，如梯度下降、Adam、Adagrad等。
梯度下降是最基本的参数更新方法，它的基本思想是利用负梯度方向来更新参数，使损失函数的值最小化。
Adam和Adagrad是基于梯度下降的优化算法，其中Adam可以自适应调整学习率，以更高的效率进行模型训练。
最后，值得一提的是深度学习模型的硬件需求非常高。
神经网络的训练需要大量的计算资源，常常需要使用GPU来加速，甚至使用分布式训练来实现更高效的训练。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910263173.5
(22)申请日 2019.04.02
(71)申请人 成都华日通讯技术有限公司
地址 610045 四川省成都市武侯区武侯新
城管委会武兴四路130号
(72)发明人 吕志良 莫舸舸
(74)专利代理机构 四川省成都市天策商标专利
事务所 51213
代理人 刘兴亮
(51)Int.Cl.
H04L 27/00(2006.01)
H04L 27/10(2006.01)
G06N 3/08(2006.01)
G06N 3/04(2006.01)
(54)发明名称
MFSK数字信号子类调制识别的神经网络自
优化方法
(57)摘要
本发明公开了一种MFSK数字信号子类调制
识别的神经网络自优化方法，包括：对收到的调
制信号进行解调，得到离散数据序列；对复数序
列进行归一化；提取瞬时速度，求出速度随时间
变化的离散映射；对离散映射平滑处理，求出速
度以时间为自变量的平滑映射；求解稳定速度
点，并投影到分布密度平面；训练卷积神经网络
分类器模型，用于对MFSK子类调制信号进行分
类；当置信度均低于预设的阈值时，加强平滑效
果，并依次执行之后的步骤，直至识别置信度满
足要求。
本发明可在低信噪比，采样不足等实际
通信情况下，实现对MFSK数字信号的调制识别，
同时，自检测精度阈值并调整映射平滑度的设计
使方法具有自优化精度功能。
权利要求书1页 说明书5页 附图2页CN 109995690 A 2019.07.09
C N 109995690
A
权 利 要 求 书1/1页CN 109995690 A
1.一种MFSK数字信号子类调制识别的神经网络自优化方法，其特征在于，包括以下步骤：
A、对接收机收到的MFSK子类调制信号进行IQ解调，分别得到I路和Q路的离散数据序列；
B、对I路和Q路离散数据序列组成的复数IQ序列进行归一化处理；
C、提取每一个IQ点相对于接收坐标系的瞬时速度，求出速度随时间变化的离散映射；
D、通过滤波器对速度随时间变化的离散映射进行平滑处理，求出速度以时间为自变量的平滑映射；
E、通过平滑映射中的速度驻点并对其进行聚类得到速度平滑映射中的稳定速度点，并将速度点投射到平面上获得分布密度平面；
F、根据MFSK子类调制信号密度平面图的分布规律生成足量的训练数据集，训练卷积神经网络分类器模型，用于对MFSK子类调制信号的密度平面进行识别并分类；
G、当步骤F中卷积神经网络分类器模型对MFSK子类调制信号识别结果的置信度均低于预设的阈值时，返回步骤D，自动对滤波器设置更大的窗口长度和使用更高阶多项式加强平滑效果，并依次执行之后的步骤，直至卷积神经网络分类器模型对MFSK子类调制信号的识别置信度高于预设的阈值。
2.根据权利要求1所述的MFSK数字信号子类调制识别的神经网络自优化方法，其特征在于，所述步骤G中，预设的置信度的阈值为40％-80％。
3.根据权利要求2所述的MFSK数字信号子类调制识别的神经网络自优化方法，其特征在于，所述步骤G中，预设的置信度的阈值为50％。
4.根据权利要求1所述的MFSK数字信号子类调制识别的神经网络自优化方法，其特征在于，所述步骤C中，利用两两向量间的夹角计算IQ点的瞬时速度，得到全部IQ点角速度随时间变化的离散映射。
5.根据权利要求4所述的MFSK数字信号子类调制识别的神经网络自优化方法，其特征在于，所述步骤D中，采用Savitzky-Golay滤波器在时域内基于局部多项式最小二乘拟合法对IQ点角速度随时间变化的离散映射进行平滑处理，拟合离散映射中的低频成分，并将高频成分平滑。
6.根据权利要求1或5所述的MFSK数字信号子类调制识别的神经网络自优化方法，其特征在于，所述步骤E中，使用速度驻点在50*50的平面密度分布情况表征速度驻点的聚类。
7.根据权利要求6所述的MFSK数字信号子类调制识别的神经网络自优化方法，其特征在于，所述步骤F中，将分布密度平面中的密度矩阵作为卷积神经网络分类器模型的输入，利用神经网络的抽象学习能力学习输入的统计分布特征。
8.根据权利要求6所述的MFSK数字信号子类调制识别的神经网络自优化方法，其特征在于，所述步骤G中，还包括先按照MFSK子类调制信号的密度矩阵分布规律，通过随机改变数据分布并加入高斯白噪声，合成仿真训练数据集供神经网络学习有效分布特征。
2。