一种基于CNN的宽度学习分类方法技术

本发明专利技术公开了一种基于CNN的宽度学习分类方法，以下具体步骤：获得训练数据与测试数据；对训练数据与测试数据进行预处理；利用卷积神经网络CNN对训练数据进行特征提取，得到训练数据的特征映射，生成宽度学习基础模型的特征结点层；将上述映射的特征增强为随机生成权重的增强矩阵，生成宽度学习基础模型的增强结点层；由特征结点层与增强结点层构建输入矩阵，输入宽度学习模型进行训练，构建宽度学习基础模型；利用最终训练好的改进宽度学习模型。其技术方案要点是，在保证特征结点数量相似的情况下，CNN_BLS,比BLS具有更好的分类结果，同时在与ELM模型的对比中，保留了宽度学习系统的原有的高效率，具有更好的综合效果。

A width learning classification method based on CNN

【技术实现步骤摘要】
一种基于CNN的宽度学习分类方法
本专利技术涉及智能学习领域，特别涉及一种基于CNN的宽度学习分类方法。
技术介绍
目前在智能学习领域，对于解决不同类型的智能分类问题，较为广泛的是使用深度神经网络模型。但是，当面对更为复杂的问题时，一般需要加大深度神经网络模型的网络结构深度并调整每层网络的神经元数，随后采用迭代更新的方式训练各个网络层之间的连接权重，最终达到理想的模型效果。面对大量的实验数据，随着深度模型越来越复杂，层数越来越深，待优化参数也随之成倍增多，通常需要耗费大量的时间和机器资源来进行参数的迭代优化，造成了实际应用的困难。针对这一问题，陈俊龙等在随机矢量功能连接神经网络的基础上提出了一种可以和深度学习媲美的宽度学习模型，称之为宽度学习系统(BLS)，是一种无需深度结构的高效增量学习系统。目前，BLS已经在图像识别等领域中表现出了逼近深度神经网络学习模型的学习能力。相对于深度模型结构来说，宽度模型结构简单，没有多个层与层之间的连接，不需要利用梯度下降迭代的来更新权重，而是使用岭回归通过矩阵计算直接求解出权值矩阵，所以在计算速度上相本文档来自技高网...

【技术保护点】
1.一种基于CNN的宽度学习分类方法，其特征在于：包括以下具体步骤：/n步骤1、获得训练数据与测试数据；/n步骤2、对训练数据与测试数据进行预处理；/n步骤3、利用卷积神经网络CNN对训练数据进行特征提取，得到训练数据的特征映射，生成宽度学习基础模型的特征结点层；/n步骤4、将上述映射的特征增强为随机生成权重的增强矩阵，生成宽度学习基础模型的增强结点层；/n步骤5、由特征结点层与增强结点层构建输入矩阵，输入宽度学习模型进行训练，构建宽度学习基础模型；/n步骤6、利用最终训练好的改进宽度学习模型。/n

【技术特征摘要】
1.一种基于CNN的宽度学习分类方法，其特征在于：包括以下具体步骤：
步骤1、获得训练数据与测试数据；
步骤2、对训练数据与测试数据进行预处理；
步骤3、利用卷积神经网络CNN对训练数据进行特征提取，得到训练数据的特征映射，生成宽度学习基础模型的特征结点层；
步骤4、将上述映射的特征增强为随机生成权重的增强矩阵，生成宽度学习基础模型的增强结点层；
步骤5、由特征结点层与增强结点层构建输入矩阵，输入宽度学习模型进行训练，构建宽度学习基础模型；
步骤6、利用最终训练好的改进宽度学习模型。


2.根据权利要求1所述的一种基于CNN的宽度学习分类方法，其特征在于：所述步骤3中，生成特征结点层的过程为：
步骤3-1：对经过预处理后得到的输入数据X，使用卷积神经网络模型产生一个含有k个特征窗口的特征映射Zk；
步骤3-2：同上，使用k次卷积神经网络模型，生成k个特征窗口Zi，每个Zi特征窗口均包含n个特征结点，其中，i＝1,2,…,k；
步骤3-3：将k个特征窗口Z1,Z2,…,Zk拼接构成含有k×n个特征结点的特征结点层。


3.根据权利要求2所述的一种基于CNN的宽度学习分类方法，其特征在于：所述卷积神经网络模型具体包括：
基于TensorFlow框架构造的一个包括：1个卷积层、1个池化层和1个全连接层的卷积神经网络，具体为：
步骤3-1-1：卷积层采用16个5×5单通道卷积核对输入数据做X卷积，激活函数使用“relu”，输出16个28×28的特征；
步骤3-1-2：池化层输入卷积层的输出数据，采用最大池化计算，Z...

【专利技术属性】
技术研发人员：夏旸，车海莺，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11