基于卷积神经网络的数据分类方法技术

本发明专利技术提供了一种基于卷积神经网络的数据分类方法，包括：S1：构建卷积神经网络，所述卷积神经网络包括至少一个卷积层，所述至少一个卷积层包括对特征矩阵进行分割压缩处理和对所生成的稀疏矩阵进行稀疏矩阵向量乘的步骤；S2：对构建的卷积神经网络进行训练，得到训练好的卷积神经网络；S3：将待分类数据信息输入到训练好的卷积神经网络中，输出待分类数据的分类结果。本发明专利技术通过对卷积层的特征矩阵进行分割压缩处理，减少了神经网络的训练时间和内存消耗，进而减少了在计算过程中内存消耗和对于零值的计算。

Data Classification Method Based on Convolutional Neural Network

The invention provides a data classification method based on convolution neural network, which includes: S1: constructing convolution neural network, the convolution neural network includes at least one convolution layer, the at least one convolution layer includes the steps of partitioning and compressing characteristic matrix and sparse matrix vector multiplication of sparse matrix generated; S2: carrying out the construction of convolution neural network. After training, the trained convolution neural network is obtained; S3: Input the data information to be classified into the trained convolution neural network, and output the classification results of the data to be classified. The method reduces the training time and memory consumption of the neural network by dividing and compressing the characteristic matrix of the convolution layer, thereby reducing the memory consumption and the calculation of the zero value in the calculation process.

【技术实现步骤摘要】
基于卷积神经网络的数据分类方法
本专利技术属于人工智能领域，尤其涉及基于卷积神经网络的生物大数据的分类方法。
技术介绍
在当前大数据时代，生物医学方面的数据规模大、范围广，需要借助一些人工智能领域的机器学习方法来对大量的数据进行分析处理。生物医学领域的数据形式即有文本形式，也有图像等其他形式。卷积神经网络(CNN)作为传统机器学习方法之一，可用于图像或文本数据的分类处理，比如通过对糖尿病患者的各项数据进行分析，来判断一个新患者是否有糖尿病。卷积神经网络由多个层组成，其中卷积层占最高比例，也是最耗时的层。在应用于分类的卷积神经网络中，为提高网络分类的准确度，常用的方法是增加卷积层的数目，然而这样会导致整个网络的训练时间和内存消耗增加。因此，减少神经网络的训练时间和内存消耗成为推动神经网络工业可用性的巨大推力。卷积是分析数学中一种重要的运算。设f(x)、g(x)是R上的两个可积函数，作积分：可以证明，对于几乎所有的x∈(-∞，∞)，上述积分是存在的。这样，随着x的不同取值，这个积分就定义了一个新函数h(x)，称为函数f(x)和g(x)的卷积，记为h(x)＝f(x)*g(x)。在神经网络中本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的数据分类方法，包括：S1：构建卷积神经网络，所述卷积神经网络包括至少一个卷积层，所述至少一个卷积层包括对特征矩阵进行分割压缩处理和对所生成的稀疏矩阵进行稀疏矩阵向量乘的步骤；S2：对构建的卷积神经网络进行训练，得到训练好的卷积神经网络；S3：将待分类数据输入到训练好的卷积神经网络中，输出待分类数据的分类结果。

【技术特征摘要】
1.一种基于卷积神经网络的数据分类方法，包括：S1：构建卷积神经网络，所述卷积神经网络包括至少一个卷积层，所述至少一个卷积层包括对特征矩阵进行分割压缩处理和对所生成的稀疏矩阵进行稀疏矩阵向量乘的步骤；S2：对构建的卷积神经网络进行训练，得到训练好的卷积神经网络；S3：将待分类数据输入到训练好的卷积神经网络中，输出待分类数据的分类结果。2.根据权利要求1所述的基于卷积神经网络的数据分类方法，包括：S1：构建卷积神经网络，所述卷积神经网络包括至少一个卷积层，所述至少一个卷积层包括对特征矩阵进行分割压缩处理和对所生成的稀疏矩阵进行稀疏矩阵向量乘的步骤；S2：对训练集数据集进行预处理，使所有训练集数据形成维度一致的特征矩阵，将特征矩阵和数据分类标签导入卷积神经网络进行训练，得到训练好的卷积神经网络；S3：将待分类数据进行统一化处理，形成维度一致的提取特征矩阵，将提取特征矩阵输入到训练好的卷积神经网络中，输出待分类数据的分类结果。3.根据权利要求1或2所述的基于卷积神经网络的数据分类方法，其特征在于，所述步骤S2包括：将训练集数据进行统一化处理，将提取的数据特征和已知的数据分类标签输入到S1中构建的卷积神经网络中，对卷积神经网络进行训练，得到训练好的卷积神经网络。4.根据权利要求1或2所述的基于卷积神经网络的数据分类方法，其特征在于，S1中所述卷积神经网络包括依次连接的输入层、卷积层、池化层、全连接层和输出层。5.根据权利要求1或2所述的基于卷积神经网络的数据分类方...

【专利技术属性】
技术研发人员：杨亚平，徐卫志，范胜玉，王夏，于惠，
申请(专利权)人：苏州市爱生生物技术有限公司，
类型：发明
国别省市：江苏,32