【技术实现步骤摘要】
一种基于强化学习算法优化卷积神经网络的静脉识别方法
本专利技术涉及静脉识别
，尤其涉及一种基于强化学习算法优化卷积神经网络的静脉识别方法。
技术介绍
随着人工智能领域事业的迅速发展，计算机视觉、深度学习技术的使用在各个识别领域获得越来越突出的表现，相比传统的识别方法在图像、语言、文本等各个方向都取得了更好的效果。目前图像识别的深度学习算法主要是卷积神经网络。卷积神经网络通过预先的学习可以学习到各种图像中的高层抽象特征，这些特征的分辨能力极强，即使图像中的微小差别也能分辨出来。特别是在特征提取中，卷积神经网络由于其窗口可控，计算代价适中的优点成为最普遍，高效的特征提取技术。但卷积神经网络的网络架构设计需要许多人工的经验，如卷积核的大小，池化层采用的方法，层数的设计，过滤器的数量等等，存在许许多多的先验知识和人为设定。基于卷积神经网络的生物特征识别技术越来越普及，已经正在逐步取代传统的密码等身份认证方式，给人们带来了极大的便利。静脉识别技术由于其天然的防伪性也逐渐受到研究者及商业公司的关注。静脉分布于皮肤表面下，属于活体的内部生理特征，具有很高的安全性、唯一性和...
【技术保护点】
1.一种基于强化学习算法优化卷积神经网络的静脉识别方法，其特征在于，包括以下步骤：(1)构建网络探索模型(1.1)利用编码器将维度为90的策略空间映射到大小为1x100的实数向量中，其中100是LSTM模块中隐藏层的维度，由20个全连接层和Softmax函数组成Softmax分类层，将LSTM模块中最后输出的策略项特征转化成与每一个策略项空间相对应的概率向量，最后解码器将概率向量转化成每一个策略项，解码器在构建网络拓扑结构时，将使用相应概率向量中概率值最大的策略项；(1.2)对策略空间定义5个策略，包括：残差卷积、3x3的空间可分离卷积、5x5的空间可分离卷积、3x3的平均...
【技术特征摘要】
1.一种基于强化学习算法优化卷积神经网络的静脉识别方法，其特征在于，包括以下步骤：(1)构建网络探索模型(1.1)利用编码器将维度为90的策略空间映射到大小为1x100的实数向量中，其中100是LSTM模块中隐藏层的维度，由20个全连接层和Softmax函数组成Softmax分类层，将LSTM模块中最后输出的策略项特征转化成与每一个策略项空间相对应的概率向量，最后解码器将概率向量转化成每一个策略项，解码器在构建网络拓扑结构时，将使用相应概率向量中概率值最大的策略项；(1.2)对策略空间定义5个策略，包括：残差卷积、3x3的空间可分离卷积、5x5的空间可分离卷积、3x3的平均池化层和3x3的最大值池化层；(1.3)引入LSTM网络，即一个标准的一层LSTM模块，包括遗忘门、输入门和输出门，其中隐层神经元的维度是100x100，并使用SoftmaxTemperature＝5.0，用于描述样本的概率分布的熵：设xt为第t次循环的输入，ht-1为第t-1次循环的隐藏层输出，σ表示logistic函数，激活函数都选择tanh，则ft表示经过遗忘门后所剩下的记忆信息因子，其计算公式为：ft＝σ(wf·[ht-1，xt]+bf)经过输入门后，计算得记忆单元的记忆信息因子it和当前获得的新记忆it＝σ(wi·[ht-1，xt]+bi)从而，当前网络的记忆被更新为：第t个循环的网络输出为ot，而本次循环的隐藏层输出为ht，计算公式为：ot＝σ(wo·[ht-1，xt]+bo)ht＝ot*tanh(Ct)(1.4)创建回报评价模块，其采用交叉熵的变种，加入回报值，使回报值高的策略产生的概率更大，回报值低的策略产生的概率更小，设X＝[x1，x2，...，xm]是训练LSTM网络时输出的向量，其中m是当前策略项的相应策略空间大小，由于每个策略项的空间大小不一样，m将会随着每次策略项的不同而相应改变，则经Softmax分类层变换后结果为：经过网络探索模型的n次前向计算后，得到20个策略项概率向...
【专利技术属性】
技术研发人员：余孟春，谢清禄，张朝青，
申请(专利权)人：广州麦仑信息科技有限公司，
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。