【技术实现步骤摘要】
卷积神经网络模型构建方法、系统、装置及可读存储介质
本专利技术涉及人工神经网络领域，特别涉及一种卷积神经网络模型构建方法、系统、装置及计算机可读存储介质。
技术介绍
卷积神经网络模型中，原始待处理的图像输入到系统中，利用神经元的激活函数来获取待处理图像的局部特征，网络中的每一个神经元都与前一层的局部感受野连接。卷积神经网络中每一个隐含层中的神经元将所提取的图像局部特征映射为一个平面。大多数的识别方法都是通过特征实现的，即在进行图像分类之前，需要提取图像的特征。图像特征提取是图像识别的难点，卷积神经网络可隐式的从待训练的图像数据中学习，不需要显式的提取图像特征，这也是使用卷积神经网络算法进行图像识别时的重要优势之一。隐藏节点数量是影响卷积神经网络结构最重要的因素之一，隐藏特征图决定了网络的隐藏节点个数，隐藏特征图越少，则网络获得的信息就越少，精度越低，收敛速度越慢；反之，隐藏特征图越多，则网络精度越高，但是也会导致网络的训练时间过长，同时也存在过度训练的问题，导致图像识别的效果反而变差。在卷积神经网络的研究与应用过程中，隐藏节点一般是凭借经验来获取，通过构造包含了不...
【技术保护点】
1.一种卷积神经网络模型构建方法，其特征在于，包括：S1：利用目标卷积神经网络模型的参考序列和当前采样层的每个特征图的比较序列，得到当前采样层每个特征图的关联系数；S2：利用每个特征图的关联系数，得到当前采样层每个隐藏节点的关联度；S3：利用阈值，统计关联度大于等于所述阈值的隐藏节点的数量；S4：将所述数量作为当前采样层的前一卷积层的隐藏节点个数；S5：重复迭代S1至S4，直至当前采样层为第一个采样层；其中，所述参考序列为所述目标卷积神经网络模型的输出，所述比较序列为当前采样层的每个隐藏节点的输出；采样层首次迭代为所述目标卷积神经网络模型中最后一个采样层，按照反向传播方向依...
【技术特征摘要】
1.一种卷积神经网络模型构建方法，其特征在于，包括：S1：利用目标卷积神经网络模型的参考序列和当前采样层的每个特征图的比较序列，得到当前采样层每个特征图的关联系数；S2：利用每个特征图的关联系数，得到当前采样层每个隐藏节点的关联度；S3：利用阈值，统计关联度大于等于所述阈值的隐藏节点的数量；S4：将所述数量作为当前采样层的前一卷积层的隐藏节点个数；S5：重复迭代S1至S4，直至当前采样层为第一个采样层；其中，所述参考序列为所述目标卷积神经网络模型的输出，所述比较序列为当前采样层的每个隐藏节点的输出；采样层首次迭代为所述目标卷积神经网络模型中最后一个采样层，按照反向传播方向依次迭代至第一个采样层。2.根据权利要求1所述的卷积神经网络模型构建方法，其特征在于，所述利用目标卷积神经网络模型的参考序列和当前采样层的比较序列，得到当前采样层每个特征图的关联系数的过程，包括：利用所述参考序列和所述比较序列，代入关联系数计算公式，得到当前采样层每个特征图的关联系数；其中，所述关联系数计算公式为：式中，ρ(ρ∈[0,1])为关联系数计算过程中的分辨系数，yk表示所述目标卷积神经网络模型的输出，即所述参考序列，ti(k)表示当前采样层的每个隐藏节点的输出，即所述比较序列，ξi(k)表示第i个隐藏节点中第k个特征图的关联系数。3.根据权利要求2所述的卷积神经网络模型构建方法，其特征在于，所述利用每个特征图的关联系数，得到当前采样层每个隐藏节点的关联度的过程，包括：利用每个特征图的关联系数，代入关联度计算公式，得到每个隐藏节点的关联度；其中，所述关联度计算公式为：式中，γi第i个隐藏节点的关联度，N表示样本图像数。4.根据权利要求1至3任一项所述的卷积神经网络模型构建方法，其特征在于，所述阈值为首次迭代得到的当前采样层每个隐藏节点的关联度的平均值。5.一种卷积神经网络模型构建系统，其特征在于，包括：关联系数计算模块，用于利用目标卷积神经网络模型的...
【专利技术属性】
技术研发人员：张小波，任斌，孙盛，顾钰良，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44
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。