一种基于dropout算法的图像分类方法及相关装置制造方法及图纸

本申请公开了一种基于dropout算法的图像分类方法，包括：对混沌系统状态方程进行变换处理得到混沌系统差分方程；将预设参数带入混沌系统差分方程进行迭代计算处理得到规范化混沌序列矩阵；将规范化混沌矩阵部署到标准卷积神经网络中，得到卷积神经网络。根据图像训练集对所述卷积神经网络进行训练，得到卷积神经网络分类模型；根据所述卷积神经网络分类模型对待分类图像进行分类，得到分类结果。通过具有内禀随机性的混沌系统获得混沌矩阵，提高了dropout算法中关闭神经单元的随机性，进而提高神经网络分类的准确性。本申请还公开了一种基于dropout算法的图像分类装置、服务器以及计算机可读存储介质，具有上述有益效果。

【技术实现步骤摘要】
一种基于dropout算法的图像分类方法及相关装置
本申请涉及计算机
，特别涉及一种基于dropout算法的图像分类方法、图像分类装置、服务器以及计算机可读存储介质。
技术介绍
在机器学习领域，通常训练一个大型的卷积神经网络时，如果训练数据很少，那么将很容易导致在测试集上所得的结果过拟合。据此，现有技术提供一种dropout算法，通过阻止某些特征的协同作用来缓解，即在每次训练的时候，让一半的特征检测器停止工作，这样可以提高网络的泛化能力。典型的卷积神经网络其训练流程是将输入通过网络进行正向传播，然后将误差进行反向传播。dropout算法就是针对这一过程之中，随机地删除隐藏层的部分单元，以及解决训练大型卷积神经网络时易出现的过拟合问题。由于需要随机的将神经网络中的神经元停止工作，因此现有技术中在训练神经网络时，一般采用基于伯努利二项分布的dropout方法。即假设每一个神经元输出相对独立，每个输出都服从二项伯努利分布。训练时每个神经元以(1-P)的概率被保留，被丢弃的概率为P。但是，现有技术中使用伯努利分布，其分布稳定，概率稳定，均成正态分布化表示。但是，容易导致随机失活，随机方式单一，不利于dropout算法在不同应用环境中进行相应的扩展，导致dropout算法性能下降，最终无法得到符合要求的图像分类结果。因此，如何提高dropout算法的在图像分类过程中的性能是本领域技术人员关注的重点问题。
技术实现思路
本申请的目的是提供一种基于dropout算法的图像分类方法、图像分类装置、服务器以及计算机可读存储介质，通过随机程度更高的混沌系统获得混沌矩阵，提高了dropout算法中关闭神经单元的随机性，进而提高神经网络分类的准确性，得到更加可靠的图像分类结果。为解决上述技术问题，本申请提供一种基于dropout算法的图像分类方法，其特征在于，包括：对混沌系统状态方程进行变换处理得到混沌系统差分方程；将预设参数带入所述混沌系统差分方程进行迭代计算处理得到混沌矩阵，将所述混沌矩阵进行规范化处理得到规范化混沌矩阵；将所述规范化混沌矩阵部署到标准卷积神经网络中，得到dropout算法卷积神经网络；根据图像训练集对所述dropout算法卷积神经网络进行训练，得到卷积神经网络分类模型；其中，所述图像训练集为对图像集进行预处理得到的；根据所述卷积神经网络分类模型对待分类图像进行分类，得到分类结果。可选的，对混沌系统状态方程进行变换处理得到混沌系统差分方程，包括：根据Euler算法对Lorenz混沌系统状态方程进行变换处理，得到所述混沌系统差分方程。可选的，对混沌系统状态方程进行变换处理得到混沌系统差分方程，包括：根据Euler算法对chen混沌系统状态方程进行变换处理，得到所述混沌系统差分方程。可选的，对混沌系统状态方程进行变换处理得到混沌系统差分方程，包括：根据Euler算法对LU混沌系统状态方程进行变换处理，得到所述混沌系统差分方程。可选的，将预设参数带入所述混沌系统差分方程进行迭代计算处理得到混沌矩阵，将所述混沌矩阵进行规范化处理得到规范化混沌矩阵，包括：将预设参数带入所述混沌系统差分方程进行迭代计算得到混沌序列；将所述混沌序列进行矩阵形式变换得到所述混沌矩阵；通过线性变换规则对所述混沌矩阵进行最大最小规范化处理，得到所述规范化混沌矩阵。本申请还提供一种基于dropout算法的图像分类装置，包括：混沌系统差分方程获取模块，用于对混沌系统状态方程进行变换处理得到混沌系统差分方程；混沌矩阵获取模块，用于将预设参数带入所述混沌系统差分方程进行迭代计算处理得到混沌矩阵，将所述混沌矩阵进行规范化处理得到规范化混沌矩阵；目标神经网络获取模块，用于将所述规范化混沌矩阵部署到标准卷积神经网络中，得到dropout算法卷积神经网络；目标神经网络训练模块，用于采用图像训练集对所述dropout算法卷积神经网络进行训练，得到卷积神经网络分类模型；其中，所述图像训练集为对图像集进行预处理得到的；图像分类模块，用于根据所述卷积神经网络分类模型对待分类图像进行分类，得到分类结果。可选的，所述混沌系统差分方程获取模块，包括：Lorenz混沌系统处理单元，根据Euler算法对Lorenz混沌系统状态方程进行变换处理，得到所述混沌系统差分方程；或chen混沌系统处理单元，根据Euler算法对chen混沌系统状态方程进行变换处理，得到所述混沌系统差分方程；或LU混沌系统处理单元，根据Euler算法对LU混沌系统状态方程进行变换处理，得到所述混沌系统差分方程。可选的，所述混沌矩阵获取模块包括：混沌序列计算单元，用于将预设参数带入所述混沌系统差分方程进行迭代计算得到混沌序列；序列变换单元，用于将所述混沌序列进行矩阵形式变换得到所述混沌矩阵；规范化处理单元，用于通过线性变换规则对所述混沌矩阵进行最大最小规范化处理，得到所述规范化混沌矩阵。本申请还提供一种服务器，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上所述的图像分类方法的步骤。本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的图像分类方法的步骤。本申请所提供的一种基于dropout算法的图像分类方法，包括：对混沌系统状态方程进行变换处理得到混沌系统差分方程；将预设参数带入所述混沌系统差分方程进行迭代计算处理得到混沌矩阵，将所述混沌矩阵进行规范化处理得到规范化混沌矩阵；将所述规范化混沌矩阵部署到标准卷积神经网络中，得到dropout算法卷积神经网络；根据图像训练集对所述dropout算法卷积神经网络进行训练，得到卷积神经网络分类模型；其中，所述图像训练集为对图像集进行预处理得到的；根据所述卷积神经网络分类模型对待分类图像进行分类，得到分类结果。通过混沌系统得到基于混沌系统的混沌矩阵，使用该混沌矩阵对标准卷积神经网络实现dropout中的随机关机卷积神经单元，得到dropout算法卷积神经网络，也就是基于dropout算法的卷积神经网络，提高矩阵的随机性，进而提高神经网络预测的准确性，并且可以选择不同的参数得到不同的混沌矩阵，以适应不同的训练需求，通过混沌系统部署的卷积神经网络，可以得到更加可靠的图像分类结果，提高图像分类的准确率。本申请还提供一种基于dropout算法的图像分类装置、服务器以及计算机可读存储介质，具有上述有益效果，在此不做赘述。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本申请实施例所提供的一种基于dropout算法的图像分类方法的流程图；图2为本申请实施例所提供的图像分类方法的混沌矩阵获取的流程图；图3为本申请实施例所提供的一种基于dropout算法的图像分类装置的结构示意图。具体实施方式本申请的核心是提供一种基于dropout算法的图像分类方法、图像分类装置、服务器以及计算机可读存储介质，通过随机程度更高的混沌系统获得混沌矩阵，提高了dropout算法本文档来自技高网...

【技术保护点】
1.一种基于dropout算法的图像分类方法，其特征在于，包括：对混沌系统状态方程进行变换处理得到混沌系统差分方程；将预设参数带入所述混沌系统差分方程进行迭代计算处理得到混沌矩阵，将所述混沌矩阵进行规范化处理得到规范化混沌矩阵；将所述规范化混沌矩阵部署到标准卷积神经网络中，得到dropout算法卷积神经网络；根据图像训练集对所述dropout算法卷积神经网络进行训练，得到卷积神经网络分类模型；其中，所述图像训练集为对图像集进行预处理得到的；根据所述卷积神经网络分类模型对待分类图像进行分类，得到分类结果。

【技术特征摘要】
1.一种基于dropout算法的图像分类方法，其特征在于，包括：对混沌系统状态方程进行变换处理得到混沌系统差分方程；将预设参数带入所述混沌系统差分方程进行迭代计算处理得到混沌矩阵，将所述混沌矩阵进行规范化处理得到规范化混沌矩阵；将所述规范化混沌矩阵部署到标准卷积神经网络中，得到dropout算法卷积神经网络；根据图像训练集对所述dropout算法卷积神经网络进行训练，得到卷积神经网络分类模型；其中，所述图像训练集为对图像集进行预处理得到的；根据所述卷积神经网络分类模型对待分类图像进行分类，得到分类结果。2.根据权利要求1所述的图像分类方法，其特征在于，对混沌系统状态方程进行变换处理得到混沌系统差分方程，包括：根据Euler算法对Lorenz混沌系统状态方程进行变换处理，得到所述混沌系统差分方程。3.根据权利要求1所述的图像分类方法，其特征在于，对混沌系统状态方程进行变换处理得到混沌系统差分方程，包括：根据Euler算法对chen混沌系统状态方程进行变换处理，得到所述混沌系统差分方程。4.根据权利要求1所述的图像分类方法，其特征在于，对混沌系统状态方程进行变换处理得到混沌系统差分方程，包括：根据Euler算法对LU混沌系统状态方程进行变换处理，得到所述混沌系统差分方程。5.根据权利要求1至4任一项所述的图像分类方法，其特征在于，将预设参数带入所述混沌系统差分方程进行迭代计算处理得到混沌矩阵，将所述混沌矩阵进行规范化处理得到规范化混沌矩阵，包括：将预设参数带入所述混沌系统差分方程进行迭代计算得到混沌序列；将所述混沌序列进行矩阵形式变换得到所述混沌矩阵；通过线性变换规则对所述混沌矩阵进行最大最小规范化处理，得到所述规范化混沌矩阵。6.一种基于dropout算法的图像分类装置，其特征在于，包括：混沌系统差分方程获取模块，用于对混沌系统状态方程进行变换处...

【专利技术属性】
技术研发人员：马永发，禹思敏，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44