基于深度脊波神经网络的图像分类方法技术

本发明专利技术公开了一种基于深度脊波神经网络的图像分类方法，主要解决现有技术基于神经网络的图像分类训练时间长，分类精度不高的问题。其实现步骤为：1.对图像库中的数据选择10％比例作为训练样本，其余作为测试样本；2.建立深度脊波神经网络的网络结构，并将训练样本作为网络的输入；3.分别对深度脊波神经网络中每一层的参数用脊波自编码器进行分层学习；4.将分层学习的参数结果作为深度脊波神经网络中参数的初始值，对整个网络中的参数利用梯度下降法进行训练，得到训练好的网络；5.将测试样本输入网络，得到每一个测试样本的类标。本发明专利技术具有分类精度高，训练速度快的优点，可用于到目标识别、目标分析以及社会活动检测。

【技术实现步骤摘要】

本专利技术属于智能图像处理
，特别涉及一种图像分类方法，可用于到目标识别、目标分析以及社会活动检测。
技术介绍
随着社会的进步与科技的快速发展,图像己经成为人们获取信息越来越重要的手段。近年来出现在人们生活中的图像数量迅猛增长,对于数量巨大的图像数据,人们需要快速、有效地、合理的对这些海量图像数据进行分析和处理并对分析后的图像进行识别和分类，能大大的提高人们从海量图像信息中找到自己需要的信息的效率。在这个追求效率的数字和信息化时代，想要用人工参与的方法来对海量的图像数据进行分类处理需要耗费大量的人工和时间资源，而且效率低下、带有较高的主观性，跟不上时代发展的步伐。因此，使用计算能力强大的计算机并按照一定的算法来代替人工的方式对图像进行智能处理是势在必行的。图像分类是指利用人工智能技术特别是机器学习方法，使得计算机能够对图像进行识别和分类的过程。图像分类目前己经成为模式识别研究领域一个重要的方向，涉及人脸识别、物体识别、行为检测等等，对该方向的深入研究具有巨大的理论研究意义和广泛的实际应用价值。目前，市场上使用的图像分类方法主要有两大类，一类是基于图像空间的分类方法，另一类是基本文档来自技高网...

【技术保护点】
一种基于深度脊波神经网络的图像分类方法，包括如下步骤：1)从图像库中随机选择所有图像样本的10％作为训练图像样本集，其中第n个训练图像样本记为P(n)，n＝1,...,N为训练图像样本的个数，第n个训练图像样本的类标记为L(n)，其余样本作为测试图像样本，Q(m)为第m个测试图像样本，m＝1,...,M，M为测试图像样本的个数；2)对每一个训练图像样本P(n)，按照行优先的规则，重新排列为一个列向量S1(n)：S1(n)=(x11(n),x21(n),...,xi1(n),...,xI1(n))T,]]>其中，表示列向量S1(n)中第i个元素值，i∈I，I为输入样本元素的个数；3)建立四层深度...

【技术特征摘要】
1.一种基于深度脊波神经网络的图像分类方法，包括如下步骤：1)从图像库中随机选择所有图像样本的10％作为训练图像样本集，其中第n个训练图像样本记为P(n)，n＝1,...,N为训练图像样本的个数，第n个训练图像样本的类标记为L(n)，其余样本作为测试图像样本，Q(m)为第m个测试图像样本，m＝1,...,M，M为测试图像样本的个数；2)对每一个训练图像样本P(n)，按照行优先的规则，重新排列为一个列向量S1(n)：S1(n)=(x11(n),x21(n),...,xi1(n),...,xI1(n))T,]]>其中，表示列向量S1(n)中第i个元素值，i∈I，I为输入样本元素的个数；3)建立四层深度脊波神经网络的结构，其中第一层样本输入层为l1，有I1个神经元，第二层特征学习层为l2，有I2个神经元，第三层特征学习层为l3，有I3个神经元，第四层分类层为l4；将S1(n)作为深度脊波神经网络第一层的输入，令I＝I1；4)建立三层脊波自编码器，用来得到四层深度脊波神经网络的初始化权值。该三层脊波自编码器包括自编码输入层I1个神经元，自编码隐层I2个神经元和自编码输出层I1个神经元；5)将步骤2)中的列向量S1(n)作为脊波自编码器的输入,得到脊波自编码器的实际输出Z1(n):Z1(n)=(z11(n),z21(n),...,zk1(n),...,zI11(n))T,]]>其中，表示第k个神经元的实际输出：式中ψj(·)表示自编码隐层第j个神经元的脊波函数，wj,i是连接自编码输入层第i个神经元和自编码隐层第j个神经元的权重值，λj是自编码隐层第j个神经元的位移参数，uj是自编码隐层第j个神经元的尺度参数，wk,j是连接自编码隐层第j个神经元和自编码输出层第k个神经元的权重值，bk是自编码输出层第k个神经元的阈值，i,k∈I1，j∈I2；6)将步骤2)中的列向量S1(n)作为脊波自编码器的理想输出，建立自编码器损失函数ξ1(n)，最小化ξ1(n)并利用梯度下降法，对步骤5)中的参数wj,i、λj、uj、wk,j和bk进行反向调节更新；7)重复步骤5)和步骤6)，直至达到设定的迭代次数，得到更新后的参数值wj,i、λj、uj、wk,j和bk；8)根据步骤7)更新后得到的所述参数wj,i、λj和uj，计算深度脊波神经网络第二层第j个神经元的值：得到第二层学习到的特征为：S2(n)=(x12(n),x22(n),...,xj2(n),...,xI22(n))T,j∈I2;]]>9)用深度脊波神经网络第二层的特征S2(n)代替步骤2)中的自编码输入层S1(n)，令自编码输入层包含I2个神经元，自编码隐层包含I3个神经元，自编码输出层包含I2个神经元，重复步骤5)-8)，得到深度脊波神经网络第三层学到的特征：S3(n)=(x13(n),x23(n),...,xr3(n),...,xI33(n))T,r∈I3;]]>10)将第三层学到的的特征S3(n)作为第四层分类层的输入，得到脊波神经网络分类层l4的类标输出...

【专利技术属性】
技术研发人员：刘芳，郝红侠，石程，焦李成，杨淑媛，尚荣华，马文萍，马晶晶，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61