一種神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法
【專利摘要】本發(fā)明實(shí)施例涉及人工智能和模式識別【技術(shù)領(lǐng)域】，尤其涉及一種神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，用以解決現(xiàn)有技術(shù)中訓(xùn)練過程收斂速度慢的問題。本發(fā)明實(shí)施例的方法包括：獲取神經(jīng)網(wǎng)絡(luò)基于第k次迭代過程所使用的學(xué)習(xí)率對n個樣本進(jìn)行迭代后輸出的n*m個標(biāo)簽值預(yù)測值；計算第一參數(shù)；其中，第i標(biāo)簽值的第一參數(shù)為所述n個樣本的第i標(biāo)簽值預(yù)測值與第i標(biāo)簽值真實(shí)值之間的誤差的平均值；根據(jù)所述第一參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+1次迭代過程所使用的學(xué)習(xí)率。由于基于標(biāo)簽值的誤差的情況，對下一次迭代過程的學(xué)習(xí)率進(jìn)行調(diào)整，從而可引導(dǎo)訓(xùn)練過程以高效的方式快速向全局最優(yōu)的方向進(jìn)行收斂。
【專利說明】一種神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及人工智能和模式識別【技術(shù)領(lǐng)域】，尤其涉及一種神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法。

【背景技術(shù)】
[0002]深度神經(jīng)網(wǎng)絡(luò)是近幾年來比較熱的一個研究方向，它從仿生學(xué)的角度模擬人腦的分多層計算架構(gòu)體系，是最接近人工智能的一個方向，它更能表征信號的最本質(zhì)的不變特征。近幾年在語音識別及圖像處理領(lǐng)域，深度學(xué)習(xí)均取得了較好的結(jié)果。深度神經(jīng)網(wǎng)絡(luò)有很多模型，神經(jīng)網(wǎng)絡(luò)(Convolut1nal neural networks, Cnns)是其中一個重要的模型。
[0003]神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的學(xué)習(xí)算法，用于對訓(xùn)練過程進(jìn)行控制，引導(dǎo)訓(xùn)練過程向最優(yōu)的方向收斂。如圖1所示，從點(diǎn)A開始，向點(diǎn)B極值點(diǎn)收斂，在實(shí)際問題中，收斂過程中學(xué)習(xí)算法的學(xué)習(xí)率不是線性變化或者不變的。從圖可看，不同的階段，需要不同的學(xué)習(xí)率，而且學(xué)習(xí)率是非線性變化的，訓(xùn)練過程需要根據(jù)結(jié)果的變化對學(xué)習(xí)了進(jìn)行調(diào)整，如在開始階段，需要較大的學(xué)習(xí)率來獲得較大步長，而在接近最優(yōu)點(diǎn)時則需要較小的學(xué)習(xí)率和步長，否則無法快速收斂到最優(yōu)?；谠撨^程分析可得出這樣的結(jié)論，在訓(xùn)練過程中，學(xué)習(xí)率需要根據(jù)具體情況，進(jìn)行提高和降低，以此來保證最終訓(xùn)練的到模型的效果和訓(xùn)練效率。
[0004]但傳統(tǒng)的訓(xùn)練方法中學(xué)習(xí)率是固定值，或?yàn)榫€性調(diào)節(jié)的值，變化方向單一，變化規(guī)律單一，從而導(dǎo)致訓(xùn)練過程收斂速度慢、難以快速達(dá)到全局最優(yōu)點(diǎn)。
[0005]綜上所述，亟需一種神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，用以解決現(xiàn)有技術(shù)中訓(xùn)練過程收斂速度慢、難以快速達(dá)到全局最優(yōu)點(diǎn)的問題。


【發(fā)明內(nèi)容】

[0006]本發(fā)明實(shí)施例提供一種神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，用以解決現(xiàn)有技術(shù)中訓(xùn)練過程收斂速度慢、難以快速達(dá)到全局最優(yōu)點(diǎn)的問題。
[0007]本發(fā)明實(shí)施例提供一種神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，包括以下步驟:
[0008]利用η個樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代，在第k次迭代之后執(zhí)行:
[0009]獲取神經(jīng)網(wǎng)絡(luò)基于第k次迭代過程所使用的學(xué)習(xí)率對η個樣本進(jìn)行迭代后輸出的n*m個標(biāo)簽值預(yù)測值；其中，每個樣本對應(yīng)m個標(biāo)簽值預(yù)測值，每個樣本的m個標(biāo)簽值預(yù)測值包括第一標(biāo)簽值預(yù)測值至第m標(biāo)簽值預(yù)測值；其中，n、m、k均為正整數(shù)，k大于I ;
[0010]針對第一至第m標(biāo)簽值預(yù)測值中的每個標(biāo)簽值預(yù)測值，計算第一參數(shù)，其中，第i標(biāo)簽值的第一參數(shù)為所述η個樣本的第i標(biāo)簽值預(yù)測值與第i標(biāo)簽值真實(shí)值之間的誤差的平均值，i的取值范圍為[l，m]；
[0011]根據(jù)所述第一參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+i次迭代過程所使用的學(xué)習(xí)率。
[0012]較佳的，所述根據(jù)第一參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率，包括:
[0013]根據(jù)所述第一參數(shù)計算第二參數(shù)；其中，第i標(biāo)簽的第二參數(shù)為所述第i標(biāo)簽值的第一參數(shù)的方差；
[0014]根據(jù)所述第一參數(shù)和第二參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率。
[0015]較佳的，所述根據(jù)第一參數(shù)和第二參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率，包括:
[0016]針對第一至第m標(biāo)簽值預(yù)測值中的每個標(biāo)簽值預(yù)測值，根據(jù)第k-Ι次迭代過程中計算得到的第一參數(shù)與第二參數(shù)以及第k次迭代過程中計算得到的第一參數(shù)與第二參數(shù)，計算第三參數(shù)和第四參數(shù)；其中，第三參數(shù)為第k-Ι次迭代與第k次迭代過程中每個標(biāo)簽值的第一參數(shù)的差值的平均值，所述第四參數(shù)為第k-Ι次迭代與第k次迭代過程中每個標(biāo)簽值的第二參數(shù)的差值的平均值；
[0017]根據(jù)所述第二參數(shù)、第三參數(shù)、第四參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率；或
[0018]根據(jù)所述第一參數(shù)、第二參數(shù)、第三參數(shù)、第四參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率。
[0019]較佳的，所述根據(jù)第二參數(shù)、第三參數(shù)、第四參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率，包括:
[0020]統(tǒng)計所述第二參數(shù)、第三參數(shù)、第四參數(shù)與相應(yīng)閾值的比較結(jié)果，根據(jù)統(tǒng)計結(jié)果調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率；
[0021]所述根據(jù)第一參數(shù)、第二參數(shù)、第三參數(shù)、第四參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率包括:統(tǒng)計所述第一參數(shù)、第二參數(shù)、第三參數(shù)、第四參數(shù)與相應(yīng)閾值的比較結(jié)果，根據(jù)統(tǒng)計結(jié)果調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率。
[0022]較佳的，統(tǒng)計所述第二參數(shù)、第三參數(shù)、第四參數(shù)與相應(yīng)閾值的比較結(jié)果，包括:
[0023]若所述第二參數(shù)小于第二閾值，則將第二計數(shù)器的數(shù)值加I ;
[0024]若所述第三參數(shù)小于第三閾值，且第四參數(shù)小于第四閾值，則將第三計數(shù)器的數(shù)值加I ;
[0025]根據(jù)統(tǒng)計結(jié)果調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率，具體包括:
[0026]若滿足以下條件，則將所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率調(diào)低，并將所述第二計數(shù)器清零:
[0027]所述第二計數(shù)器的數(shù)值不大于第二數(shù)值；且
[0028]所述第三計數(shù)器的數(shù)值小于第三數(shù)值。
[0029]較佳的，統(tǒng)計所述第一參數(shù)、第二參數(shù)、第三參數(shù)、第四參數(shù)與相應(yīng)閾值的比較結(jié)果，包括:
[0030]若所述第一參數(shù)小于第一閾值，則將第一計數(shù)器的數(shù)值加I ;
[0031]若所述第二參數(shù)小于第二閾值，則將第二計數(shù)器的數(shù)值加I ;
[0032]若所述第三參數(shù)小于第三閾值，且第四參數(shù)小于第四閾值，則將第三計數(shù)器的數(shù)值加I;
[0033]根據(jù)統(tǒng)計結(jié)果調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率，具體包括:
[0034]若滿足以下條件，則將所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率調(diào)低，并將所述第一計數(shù)器和所述第二計數(shù)器清零:
[0035]第一計數(shù)器的數(shù)值不大于第一數(shù)值，和/或所述第二計數(shù)器的數(shù)值不大于第二數(shù)值；且
[0036]所述第三計數(shù)器的數(shù)值小于第三數(shù)值。
[0037]較佳的，統(tǒng)計所述第一參數(shù)、第二參數(shù)、第三參數(shù)、第四參數(shù)與相應(yīng)閾值的比較結(jié)果，包括:
[0038]若所述第二參數(shù)小于第二閾值，則將第二計數(shù)器的數(shù)值加I ;
[0039]若所述第三參數(shù)小于第三閾值，且第四參數(shù)小于第四閾值，則將第三計數(shù)器的數(shù)值加I ;
[0040]根據(jù)統(tǒng)計結(jié)果調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率，具體包括:
[0041]若所述第三計數(shù)器的數(shù)值不小于第三數(shù)值，則將所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率調(diào)高，并將所述第三計數(shù)器清零。
[0042]較佳的，統(tǒng)計所述第一參數(shù)、第二參數(shù)、第三參數(shù)、第四參數(shù)與相應(yīng)閾值的比較結(jié)果，包括:
[0043]若所述第一參數(shù)小于第一閾值，則將第一計數(shù)器的數(shù)值加I ;
[0044]若所述第二參數(shù)小于第二閾值，則將第二計數(shù)器的數(shù)值加I ;
[0045]若所述第三參數(shù)小于第三閾值，且第四參數(shù)小于第四閾值，則將第三計數(shù)器的數(shù)值加I ;
[0046]根據(jù)統(tǒng)計結(jié)果調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率，具體包括:
[0047]若所述第三計數(shù)器的數(shù)值不小于第三數(shù)值，則將所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率調(diào)高，并將所述第三計數(shù)器清零。
[0048]較佳的，還包括:
[0049]若所述第二計數(shù)器的數(shù)值大于第二數(shù)值，所述第三計數(shù)器的數(shù)值小于第三數(shù)值，則結(jié)束訓(xùn)練過程。
[0050]較佳的，還包括:
[0051]若所述第一計數(shù)器的數(shù)值大于第一數(shù)值，所述第二計數(shù)器的數(shù)值大于第二數(shù)值，所述第三計數(shù)器的數(shù)值小于第三數(shù)值，則結(jié)束訓(xùn)練過程。
[0052]較佳的，
[0053]所述第一參數(shù)按下式計算:
[0054]ER, = Yj Uf(X)1-f )' η
[0055]所述第二參數(shù)按下式計算:
[0056]EK=I 7-(, U\x), - ER 丨 f / η
[0057]其中，j的取值范圍為[1，η] ,η為樣本個數(shù)；i的取值范圍為為行答值的個數(shù)；4是一個樣本的第i標(biāo)簽值真實(shí)值；f (X)i是4對應(yīng)的第i標(biāo)簽值預(yù)測值I邑第
i標(biāo)簽值的第一參數(shù)；Ε\是第i標(biāo)簽值的第二參數(shù)；
[0058]所述第三參數(shù)按下式計算:

【權(quán)利要求】
1.一種神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，包括以下步驟: 利用η個樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代，在第k次迭代之后執(zhí)行: 獲取神經(jīng)網(wǎng)絡(luò)基于第k次迭代過程所使用的學(xué)習(xí)率對η個樣本進(jìn)行迭代后輸出的n*m個標(biāo)簽值預(yù)測值；其中，每個樣本對應(yīng)m個標(biāo)簽值預(yù)測值，每個樣本的m個標(biāo)簽值預(yù)測值包括第一標(biāo)簽值預(yù)測值至第m標(biāo)簽值預(yù)測值；其中，n、m、k均為正整數(shù)，k大于I ; 針對第一至第m標(biāo)簽值預(yù)測值中的每個標(biāo)簽值預(yù)測值，計算第一參數(shù)，其中，第i標(biāo)簽值的第一參數(shù)為所述η個樣本的第i標(biāo)簽值預(yù)測值與第i標(biāo)簽值真實(shí)值之間的誤差的平均值，i的取值范圍為[l，m]； 根據(jù)所述第一參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率。
2.如權(quán)利要求1所述的方法，其特征在于，所述根據(jù)第一參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率，包括: 根據(jù)所述第一參數(shù)計算第二參數(shù)；其中，第i標(biāo)簽的第二參數(shù)為所述第i標(biāo)簽值的第一參數(shù)的方差； 根據(jù)所述第一參數(shù)和第二參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率。
3.如權(quán)利要求2所述的方法，其特征在于，所述根據(jù)第一參數(shù)和第二參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率，包括: 針對第一至第m標(biāo)簽值預(yù)測值中的每個標(biāo)簽值預(yù)測值，根據(jù)第k-Ι次迭代過程中計算得到的第一參數(shù)與第二參數(shù)以及第k次迭代過程中計算得到的第一參數(shù)與第二參數(shù)，計算第三參數(shù)和第四參數(shù)；其中，第三參數(shù)為第k-Ι次迭代與第k次迭代過程中每個標(biāo)簽值的第一參數(shù)的差值的平均值，所述第四參數(shù)為第k-Ι次迭代與第k次迭代過程中每個標(biāo)簽值的第二參數(shù)的差值的平均值； 根據(jù)所述第二參數(shù)、第三參數(shù)、第四參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率；或 根據(jù)所述第一參數(shù)、第二參數(shù)、第三參數(shù)、第四參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率。
4.如權(quán)利要求3所述的方法，其特征在于，所述根據(jù)第二參數(shù)、第三參數(shù)、第四參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率，包括: 統(tǒng)計所述第二參數(shù)、第三參數(shù)、第四參數(shù)與相應(yīng)閾值的比較結(jié)果，根據(jù)統(tǒng)計結(jié)果調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率； 所述根據(jù)第一參數(shù)、第二參數(shù)、第三參數(shù)、第四參數(shù)調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率包括:統(tǒng)計所述第一參數(shù)、第二參數(shù)、第三參數(shù)、第四參數(shù)與相應(yīng)閾值的比較結(jié)果，根據(jù)統(tǒng)計結(jié)果調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率。
5.如權(quán)利要求3所述的方法，其特征在于，統(tǒng)計所述第二參數(shù)、第三參數(shù)、第四參數(shù)與相應(yīng)閾值的比較結(jié)果，包括: 若所述第二參數(shù)小于第二閾值，則將第二計數(shù)器的數(shù)值加I ; 若所述第三參數(shù)小于第三閾值，且第四參數(shù)小于第四閾值，則將第三計數(shù)器的數(shù)值加
I ; 根據(jù)統(tǒng)計結(jié)果調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率，具體包括: 若滿足以下條件，則將所述神經(jīng)網(wǎng)絡(luò)的第k+1次迭代過程所使用的學(xué)習(xí)率調(diào)低，并將所述第二計數(shù)器清零: 所述第二計數(shù)器的數(shù)值不大于第二數(shù)值；且 所述第三計數(shù)器的數(shù)值小于第三數(shù)值。
6.如權(quán)利要求3所述的方法，其特征在于，統(tǒng)計所述第一參數(shù)、第二參數(shù)、第三參數(shù)、第四參數(shù)與相應(yīng)閾值的比較結(jié)果，包括: 若所述第一參數(shù)小于第一閾值，則將第一計數(shù)器的數(shù)值加I ; 若所述第二參數(shù)小于第二閾值，則將第二計數(shù)器的數(shù)值加I; 若所述第三參數(shù)小于第三閾值，且第四參數(shù)小于第四閾值，則將第三計數(shù)器的數(shù)值加I; 根據(jù)統(tǒng)計結(jié)果調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+1次迭代過程所使用的學(xué)習(xí)率，具體包括: 若滿足以下條件，則將所述神經(jīng)網(wǎng)絡(luò)的第k+1次迭代過程所使用的學(xué)習(xí)率調(diào)低，并將所述第一計數(shù)器和所述第二計數(shù)器清零: 第一計數(shù)器的數(shù)值不大于第一數(shù)值，和/或所述第二計數(shù)器的數(shù)值不大于第二數(shù)值；且 所述第三計數(shù)器的數(shù)值小于第三數(shù)值。
7.如權(quán)利要求3所述的方法，其特征在于，統(tǒng)計所述第一參數(shù)、第二參數(shù)、第三參數(shù)、第四參數(shù)與相應(yīng)閾值的比較結(jié)果，包括: 若所述第二參數(shù)小于第二閾值，則將第二計數(shù)器的數(shù)值加I; 若所述第三參數(shù)小于第三閾值，且第四參數(shù)小于第四閾值，則將第三計數(shù)器的數(shù)值加I; 根據(jù)統(tǒng)計結(jié)果調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+1次迭代過程所使用的學(xué)習(xí)率，具體包括:若所述第三計數(shù)器的數(shù)值不小于第三數(shù)值，則將所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率調(diào)高，并將所述第三計數(shù)器清零。
8.如權(quán)利要求3所述的方法，其特征在于，統(tǒng)計所述第一參數(shù)、第二參數(shù)、第三參數(shù)、第四參數(shù)與相應(yīng)閾值的比較結(jié)果，包括: 若所述第一參數(shù)小于第一閾值，則將第一計數(shù)器的數(shù)值加I ; 若所述第二參數(shù)小于第二閾值，則將第二計數(shù)器的數(shù)值加I ; 若所述第三參數(shù)小于第三閾值，且第四參數(shù)小于第四閾值，則將第三計數(shù)器的數(shù)值加I ; 根據(jù)統(tǒng)計結(jié)果調(diào)整所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率，具體包括:若所述第三計數(shù)器的數(shù)值不小于第三數(shù)值，則將所述神經(jīng)網(wǎng)絡(luò)的第k+Ι次迭代過程所使用的學(xué)習(xí)率調(diào)高，并將所述第三計數(shù)器清零。
9.如權(quán)利要求5或7所述的方法，其特征在于，還包括: 若所述第二計數(shù)器的數(shù)值大于第二數(shù)值，所述第三計數(shù)器的數(shù)值小于第三數(shù)值，則結(jié)束訓(xùn)練過程。
10.如權(quán)利要求6或8所述的方法，其特征在于，還包括: 若所述第一計數(shù)器的數(shù)值大于第一數(shù)值，所述第二計數(shù)器的數(shù)值大于第二數(shù)值，所述第三計數(shù)器的數(shù)值小于第三數(shù)值，則結(jié)束訓(xùn)練過程。
11.如權(quán)利要求3所述的方法，其特征在于， 所述第一參數(shù)按下式計算:
所述第二參數(shù)按下式計算:
其中，j的取值范圍為[1，η], η為樣本個數(shù)；i的取值范圍為[1，m], m為標(biāo)簽值的個數(shù)A是一個樣本的第i標(biāo)簽值真實(shí)值；f (X)i是A對應(yīng)的第i標(biāo)簽值預(yù)測值；是第i標(biāo)簽值的第一參數(shù)；Ε\是第i標(biāo)簽值的第二參數(shù)； 所述第三參數(shù)按下式計算:
所述第四參數(shù)按下式計算:
其中，ERipre第k-1次迭代中的第i標(biāo)簽值的第一參數(shù)；EVipM是第k-1次迭代中第i標(biāo)簽值的第二參數(shù)；ERC是第三參數(shù)；EVC是第四參數(shù)。
【文檔編號】G06N3/08GK104134091SQ201410360578
【公開日】2014年11月5日 申請日期:2014年7月25日 優(yōu)先權(quán)日:2014年7月25日
【發(fā)明者】劉龍, 高偉杰, 周玉 申請人:海信集團(tuán)有限公司