一种卷积神经网络的加权算法制造技术
【技术实现步骤摘要】
一种卷积神经网络的加权算法
本专利技术属于计算机机器学习领域，特别涉及一种新的卷积神经网络的加权算法。
技术介绍
卷积神经网络(ConvolutionalNeuralNetworks)属于神经网络的范畴，已经在诸如图像识别和分类的领域证明了其高效的能力。与传统的神经网络结构相比，卷积神经网络最显著的两个特点是局部连接和权值共享。局部连接是指每一层的神经元并不与上一层的全部神经元连接，而是只与其最近的上一层神经元相连；权值共享是指每一层所有神经元与前一层神经元的连接权值相等，即某一层某一个神经元与前一层局部连接神经元的权值也适用于该层其他神经元。一个传统的卷积神经网络结构一般分为五层：输入层、卷积层、池化层、全连接层、输出层，蕴含卷积、非线性处理、池化或者亚采样、分类四个主要的操作。其中卷积层是体现局部连接和权值共享的层次。而全连接层部分与传统神经网络结构基本一致，经过多次卷积和池化操作后的数据进入全连接层进行连接并输出结果。卷积神经网络是受人类视觉原理的启发，对大型图像数据出处理有出色的表现，AlexKrizhevsky凭借它们赢得2012的ImageNet挑战赛...
【技术保护点】
一种卷积神经网络的加权算法，其特征在于，包括以下步骤：步骤1：获取M×N的样本数据，其中M为样本数目，N‑1为输入向量数，第N列为输出向量；步骤2：结合K均值聚类算法剔除粗差；步骤3：输入列之间依据相关距离，进行聚类划分；步骤4：构建神经网络的基本结构；步骤5：训练神经网络并采用交叉验证法对训练结果；步骤6：输入规范化后的待评估数据，由已训练好的网络计算其输出，并将输出结果由二进制转为十进制，即为最终所需要的评估结果。
【技术特征摘要】
1.一种卷积神经网络的加权算法，其特征在于，包括以下步骤：步骤1：获取M×N的样本数据，其中M为样本数目，N-1为输入向量数，第N列为输出向量；步骤2：结合K均值聚类算法剔除粗差；步骤3：输入列之间依据相关距离，进行聚类划分；步骤4：构建神经网络的基本结构；步骤5：训练神经网络并采用交叉验证法对训练结果；步骤6：输入规范化后的待评估数据，由已训练好的网络计算其输出，并将输出结果由二进制转为十进制，即为最终所需要的评估结果。2.根据权利要求1所述的卷积神经网络的加权算法，其特征在于，步骤2的具体实现过程是：以行为单位，输入部分各行记为点Pi＝(x1,x2,…,xN-1)，输出部分记为f(Pi)＝xN；随机选取K个点作为初始聚类中心Center，计算剩余各点到初始聚类中心的欧氏距离将其归入最小距离min(di)对应的类别；划分完成后重新计算各类中包含点的均值并以此作为新的聚类中心Center′，若Center与Center′相同，则表示聚类完成，否则以Center′为新的聚类中心重新划分；聚类完成后，计算每一类包含点所对应输出的均值和标准差σ，剔除该类点所对应输出值在三倍中误差之外的数据。3.根据权利要求1所述的卷积神经网络的加权算法，其特征在于，步骤3的具体实现过程是：以列为单位，输入部分各列记为向量Vi，纳入初始集合P＝(V1,V2,…,VN-1)，计算集合P中各向量的相关系数ρij，并在此基础上计算各向量的相关距离dij＝1-|ρij|；选择相关距离最小的两组向量Va，Vb纳入第一个新生成类别Q1，并更新初始集合P，将Va，Vb从中剔除；计算更新后集合P中各向量的相关系数ρ′ij和相关距离d′ij，选择相关距离最小的两组向量V′a，V′b；并计算P中各向量与已有的集合类别Qj的复相关系数和复相关距离选出复相关距离最小的向量V′c；若满足则将V′c纳入对应类别Qj，而V′a，V′b仍保留在集合P中；反之，则将V′a，V′b生成新集合Qj+1，而V′c保留在集合P中；若集合状态保持不变或者达到预设的最大迭代次数，则聚类停止。4.根据权利要求1所述的卷积神经网络的加权算法，其特征在于，步骤4的具体实现过程是：网络在卷积层部分的连接以“最邻近”和“类别相同”为依据，参考步骤3中的聚类结果，若连接中出现异于当前已有连接中的类别，则放弃该条连接，最终形成非均匀的局部连接形式；在卷积层部分仍采用传统的sigmoid函数作为激活函数，而在全连接层部分则采用sin型三角周期函数作为激活函数；输入数据经过规范化作为输入层，输出结果经过二进制编码作为输出层。5.根据权利要求4所述的卷积神经网络的加权算法，其特征在于：步骤4中是基于相关距离的聚类分析来确定层间神经元的局部连接方式，其具体实现包括以下子步骤：步骤4.1：对于输入层的各类数据X＝(X1,X2···Xn)，首先两两计算他们的相关系数，并由此定义各类数据间的相关距离将相关距离最小的两类数据归为一类，把他们从集合X中...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。