一种基于极限学习机的卷积神经网络学习算法制造技术

本发明专利技术公开了一种基于极限学习机的卷积神经网络学习算法，本算法是基于自编码的思想去学习带有偏差的卷积滤波器，首先将数据矩阵生成均值为0、方差为1的标准化训练数据

【技术实现步骤摘要】
一种基于极限学习机的卷积神经网络学习算法
本专利技术涉及计算机人工智能
，具体的说是一种基于极限学习机的卷积神经网络学习算法，本算法是基于自编码的思想去学习带有偏差的卷积滤波器，通过重构具有截距项的标准化输入，以缩小极限学习机与深度学习之间的差距。
技术介绍
由于深度学习在ImageNet大规模视觉识别挑战赛中的突破，所有的获胜架构都有一个卷积的结构。而且许多卷积神经网络(简称CNN)已经在不同的领域被成功应用，如目标识别、语音识别、自然语言处理等领域。卷积神经网络通过反向传播分类误差采用BP算法进行训练，采用附加动量因子的梯度下降算法迭代更新网络参数。基于BP训练的卷积神经网络要求大量的数据，并且非常慢，实际上，先进模型的训练要求专门的硬件(GPU)或许需要花费几天甚至几周的时间。为了克服这些困难，一些工作已经提出了其他的基于极限学习机(简称ELM)的可选方案去训练卷积神经网络，它最初提出是为了训练单层前馈神经网络(SLFN)的学习型算法。在ELM理论的背景下，输入权重根据任意连续的分布函数随机产生，输出权重通过线性系统的最小化范数解析地计算。后来，Kasun等基于ELM-A本文档来自技高网...

【技术保护点】
1.一种基于极限学习机的卷积神经网络学习算法，其特征在于：本算法是基于自编码的思想去学习带有偏差的卷积滤波器，它包括以下步骤：步骤一、基于极限学习机的卷积神经网络学习算法ELM‑CNN输入：输入特征X输出：CONV参数：滤波器F和偏差B将输入特征标准化为均值为0，标准差为1的数据XN构成想要的目标T＝[XN│1]随机产生输入权重W和偏差b计算隐藏矩阵H＝G(XW+b)计算输出权重

【技术特征摘要】
1.一种基于极限学习机的卷积神经网络学习算法，其特征在于：本算法是基于自编码的思想去学习带有偏差的卷积滤波器，它包括以下步骤：步骤一、基于极限学习机的卷积神经网络学习算法ELM-CNN输入：输入特征X输出：CONV参数：滤波器F和偏差B将输入特征标准化为均值为0，标准差为1的数据XN构成想要的目标T＝[XN│1]随机产生输入权重W和偏差b计算隐藏矩阵H＝G(XW+b)计算输出权重计算滤波器和偏差重塑滤波矩阵F＝reshape(Fmat)返回CONV参数滤波器F和偏差B步骤二、在获得了训练结果之后，得到参数滤波器F和偏差B，对于新的样本X进行特征提取，其过程为：输入：输入特征映射X输出：提取特征T计算隐藏矩阵H＝G(XF+b)得到卷积特征T＝H对于所得到的卷积特...

【专利技术属性】
技术研发人员：马宏宾，费庆，李楠楠，克莱，
申请(专利权)人：工极北京智能科技有限公司，
类型：发明
国别省市：北京,11