The present invention proposes a sparse constrained Boltzmann machine based on multi-objective optimization for handwriting recognition, which is used to solve the technical problems of high recognition error rate in the prior art. The method comprises the following steps: obtaining the normalized training set and test set; stopping time optimization iterative sparse set restricted Boltzmann machine; the sparse restricted Boltzmann machine is optimized; select data sets; optimization algorithm of sparse restricted Boltzmann machine with multi objective, to obtain the parameters set; update the sparse restricted Boltzmann machine to obtain the output parameter set; normalized training set; training the classifier output by the normalized training set; judging whether to optimize the iterative stopping times; predict the classification of the normalized test set, classification label. The recognition error rate of the invention is low, and can be used for image recognition such as handwriting recognition.
【技术实现步骤摘要】
基于多目标优化的稀疏受限玻尔兹曼机的手写体识别方法
本专利技术属于深度学习和进化计算相结合的
,涉及一种基于稀疏受限玻尔兹曼机的手写体识别方法,具体涉及一种基于多目标优化的稀疏受限玻尔兹曼机的手写体识别方法,可用于图像识别领域和深度神经网络的特征降维。
技术介绍
神经网络的发展使得图像识别领域取得惊人进展,从而推动人工智能和人机交互的踏步前进。1986年Hinton在MITPress的第一卷发表的《LearningandrelearninginBoltzmannmachines》,该文献提出玻尔兹曼机(BM),BM是一种根植于统计力学的随机神经网络,其具有强大的无监督学习能力,能够学习数据中复杂的规则。但是玻尔兹曼机结构复杂,训练的时间非常长。Smolensky在1986年专著《Informationprocessingindynamicalsystems:foundationsofharmonytheory》中引入一种限制玻尔兹曼机(RBM),RBM具有很好的性质,在一些问题上取得了较好的效果。2006年,Hinton在neuralcomputation的18卷第7期发表的《Afastlearningalgorithmfordeepbeliefnets》,该文献提出一个深度信念网络(DBN)被视为由若干个限制玻尔兹曼机(RBM)堆叠在一起,并给出该模型的一个高效学习算法。这个算法成为了其后至今深度学习的主要框架之一。手写体识别是多年来的研究热点问题。随着经济的迅速发展,手写体识别系统还会有更大的应用空间,这就要求手写体识别的误差率达到一个更低水平。 ...
【技术保护点】
一种基于多目标优化的稀疏受限玻尔兹曼机的手写体识别方法,包括如下步骤:(1)获取归一化训练集V和测试集T:将手写体数据库的一部分作为训练集,一部分作为测试集,并对训练集和测试集进行归一化,得到归一化训练集V和测试集T;(2)设定稀疏受限玻尔兹曼机的优化迭代停止次数S,优化计数器的值c,并初始化c=1;(3)对稀疏受限玻尔兹曼机进行优化:将归一化训练集V作为稀疏受限玻尔兹曼机的输入,利用对比散度算法,对稀疏受限玻尔兹曼机进行优化,得到稀疏受限玻尔兹曼机的优化参数:权重参数w、可视单元v的偏置a和隐单元h的偏置b,并令c=c+1;(4)从步骤(3)产生的b中随机选取m个参数,组成数据集Ds;(5)利用多目标进化算法对数据集Ds进行优化,得到优化数据集Ds';(6)对稀疏受限玻尔兹曼机隐单元h的偏置b进行更新:利用优化数据集Ds'替换稀疏受限玻尔兹曼机隐单元h的偏置b中对应的参数,得到稀疏受限玻尔兹曼机隐单元h的偏置b';(7)获取归一化训练集V的输出O:将归一化训练集V输入到权重参数w、可视单元v的偏置a和隐单元h的偏置b'的稀疏受限玻尔兹曼机中,得到归一化训练集V的输出为O;(8)利用归 ...
【技术特征摘要】
1.一种基于多目标优化的稀疏受限玻尔兹曼机的手写体识别方法,包括如下步骤:(1)获取归一化训练集V和测试集T:将手写体数据库的一部分作为训练集,一部分作为测试集,并对训练集和测试集进行归一化,得到归一化训练集V和测试集T;(2)设定稀疏受限玻尔兹曼机的优化迭代停止次数S,优化计数器的值c,并初始化c=1;(3)对稀疏受限玻尔兹曼机进行优化:将归一化训练集V作为稀疏受限玻尔兹曼机的输入,利用对比散度算法,对稀疏受限玻尔兹曼机进行优化,得到稀疏受限玻尔兹曼机的优化参数:权重参数w、可视单元v的偏置a和隐单元h的偏置b,并令c=c+1;(4)从步骤(3)产生的b中随机选取m个参数,组成数据集Ds;(5)利用多目标进化算法对数据集Ds进行优化,得到优化数据集Ds';(6)对稀疏受限玻尔兹曼机隐单元h的偏置b进行更新:利用优化数据集Ds'替换稀疏受限玻尔兹曼机隐单元h的偏置b中对应的参数,得到稀疏受限玻尔兹曼机隐单元h的偏置b';(7)获取归一化训练集V的输出O:将归一化训练集V输入到权重参数w、可视单元v的偏置a和隐单元h的偏置b'的稀疏受限玻尔兹曼机中,得到归一化训练集V的输出为O;(8)利用归一化训练集V的输出O对softmax分类器进行训练:将训练集V的输出O输入到softmax分类器中进行训练,得到softmax分类器权重w0和偏置b0,即得到训练好的softmax分类器;(9)判断优化计数器的值c是否达到优化迭代停止次数S,若是,执行步骤(10),否则,执行步骤(3);(10)对归一化测试集T进行预测分类:(10a)将归一化测试集T输入到权重参数w、可视单元v的偏置a和隐单元h的偏置b'的稀疏受限玻尔兹曼机中,得到测试集T的输出Ot;(10b)将测试集T的输出Ot输入到训练好的softmax分类器中,得到测试集T的分类标签,实现对手写体的识别。2.根据权利要求1所述的基于多目标优化的稀疏受限玻尔兹曼机的手写体识别方法,其特征在于,步骤(5)中所述的利用多目标进化算法对数据集...
【专利技术属性】
技术研发人员:李阳阳,白小玉,焦李成,刘芳,尚荣华,马文萍,马晶晶,缑水平,
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
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。