【技术实现步骤摘要】
一种基于神经网络的多目标识别优化方法
本专利技术涉及互联网领域和深度学习领域，具体涉及到一种基于神经网络的多目标识别优化方法。
技术介绍
基于神经网络的多目标识别优化方法，基于可训练的神经网络来充分学习潜在的特征表达与特征空间转化，进而以最大程度将所有相似的目标转换到统一特征空间进行识别分类。最接近本专利技术的技术有：(1)、基于单一网络的多目标识别分类算法：该方法使用传统的一整套网络结果作为进行处理，最后使用一个全连接层进行分类操作，得到每一个类别的分类概率，最后以分类概率来选取最优的分类目标，而针对多分类问题则采用选取概率最高的几个作为分类结果。(2)、基于数学的规划方法：一般使用一些类的约束条件求出来一系列的界的集合，由于多目标优化的的解存在多个，如果没有关于问题的更多的信息，那么很难选择哪个解更可取，因此所有的最优解都可以被认为是同等重要的。由此可知，对于多目标优化问题，最重要的任务是找到尽可能多的关于该优化问题的最优解。(3)、基于遗传算法的方法：该算法的主要意思是针对当前M个体，往只有N个位置的pool中选取solution。M大于N的时候，如何从M中...
【技术保护点】
1.一种基于神经网络的多目标识别优化方法，其特征在于，输入数据切分、神经网络结构设计、多目标标签转换、损失函数设计这几个模块，包括以下步骤：步骤(1)、在数据切分模块，我们通过将数据拷贝N份来分别对应多个输入分支进行输入；步骤(2)、在神经网络结构设计模块，我们将神经网络设计成树状，有利于中间模块学习到统一的表达，充分融合不同模块学习到的特征，不通的输入模块分支采用不同的卷积核大小与尺寸；步骤(3)、在多目标标签转换模块，我们根据输入样本中类别的总数来将将单个样本的标签拆分成多个类别标签。步骤(4)、在损失函数设计模块，我们主要采用交叉熵作为分类损失函数，且在整个网络中设置...
【技术特征摘要】
1.一种基于神经网络的多目标识别优化方法，其特征在于，输入数据切分、神经网络结构设计、多目标标签转换、损失函数设计这几个模块，包括以下步骤：步骤(1)、在数据切分模块，我们通过将数据拷贝N份来分别对应多个输入分支进行输入；步骤(2)、在神经网络结构设计模块，我们将神经网络设计成树状，有利于中间模块学习到...
【专利技术属性】
技术研发人员：张亚飞，张卫山，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37
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。