一种图像张量数据的处理方法技术

本发明专利技术公开一种图像张量数据的处理方法，其能够大大降低模型中自由参数个数，权值层的限制灵活，可以适用于任意阶数的图像张量数据。这种图像张量数据的处理方法，该方法引入具有tensor train结构的受限玻尔兹曼机TTRBM模型，该方法的输入与输出数据均用张量表示，中间层的权值也用张量表示，限制权值具有Tensor Train的结构；通过调整张量Train分解的秩控制中间层中自由参数个数；调节TT分解的秩，尺寸相同的不同特征表示。

A Processing Method of Image Tensor Data

【技术实现步骤摘要】
一种图像张量数据的处理方法
本专利技术涉及数据处理的
，尤其涉及一种图像张量数据的处理方法，其能够直接应用于任意阶数的图像张量数据。
技术介绍
受限玻尔兹曼机(RestrictedBoltzmmanMachine,RBM)是由可见层和隐含层组成的两层神经网络,由于其很强的特征表示能力,而被广泛应用到模式识别和机器学习中。传统RBM中的可见层和隐含层数据都是用向量形式表示。然而,今天来源于实际生活中的数据常常具有高维度特性。为了在这些高维数据上应用RBM,常用的方法就是将数据向量化,向量化的过程往往会破坏高维数据中的内部结构,导致重要的关联信息丢失,或者是产生维度灾难的问题。另外,RBM是一种全连接的网络结构,随着数据维度的增长,模型中的参数将呈指数形式增长。因而需要更多的存储空间和更高的计算复杂度,这使得RBM算法不适合在普通设备或高维数据上应用。
技术实现思路
为克服现有技术的缺陷，本专利技术要解决的技术问题是提供了一种图像张量数据的处理方法，其能够大大降低模型中自由参数个数，权值层的限制灵活，可以适用于任意阶数的图像张量数据。本专利技术的技术方案是：这种图像张量数据的处理方法，本文档来自技高网...

【技术保护点】
1.一种图像张量数据的处理方法，其特征在于：该方法引入具有tensortrain结构的受限玻尔兹曼机TTRBM模型，该方法的输入与输出数据均用张量表示，中间层的权值也用张量表示，限制权值具有TensorTrain的结构；通过调整张量Train分解的秩控制中间层中自由参数个数；调节TT分解的秩，尺寸相同的不同特征表示。

【技术特征摘要】
1.一种图像张量数据的处理方法，其特征在于：该方法引入具有tensortrain结构的受限玻尔兹曼机TTRBM模型，该方法的输入与输出数据均用张量表示，中间层的权值也用张量表示，限制权值具有TensorTrain的结构；通过调整张量Train分解的秩控制中间层中自由参数个数；调节TT分解的秩，尺寸相同的不同特征表示。2.根据权利要求1所述的图像张量数据的处理方法，其特征在于：TTRBM模型的能量函数为公式(1)其中分别为可见单元和隐含单元，他们都是二值的，b∈RI以及是偏置项，是连接可见单元和隐含单元的权值矩阵，定义Θ＝{b，c，W}为所有模型的参数，Gd[id，jd]为rd-1×rd的矩阵，Gd为rd-1×Id×Jd×rd大小的高维数据，为TT分解的秩，基于上述能量函数，定义可见层与隐含层之间的联合分布为其中Θ表示偏置项模型中所有的参数为在上述联合分布中，Z(Θ)为归一化常数，其定义为，其中和表示的是可见层与隐含层的取值空间。3.根据权利要求2所述的图像张量数据的处理方法，其特征在于：公式(1)中，每个可见单元在其他变量下的条件分布为，以及每个隐含单元在其他变量下的条件分布为，其中σ为sigmoid函数σ(x)＝1/(1+e-x)。4.根据权利要求3所述的图像张量数据的处理方法，其特征在于：假设为观测样本集，则数据集的似然函数的对数函数为，对于Θ中任意的参数θ，利用吉布斯采样的方式采集一系列样本集，首先从样本集中选定某个样本迭代采样得到模型的期望通过样本进行近似，定义两个指标以及从而可以将核矩阵分别写为，以及公式(1)对的导数为，由于或者是二值的，则的均值等于的概率值，将公式(5)插入到公式(3)，得到似然函数对的偏导数为，对于偏置项得到以及5.根据权利要求4所述的图像张量数据的处理方法，其特征在于：该方法包括以下步骤：(1)给定包含N个张量形式的训练样本集最大迭代次...

【专利技术属性】
技术研发人员：孙艳丰，句福娇，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11