【技术实现步骤摘要】
目标数据特征提取方法、装置及存储介质
本专利技术涉及数据处理领域，具体涉及一种目标数据特征提取方法、装置及存储介质。
技术介绍
图像特征的作用是用来描述图像信息，物理意义上的图像特征一般包括形状、颜色、纹理、空间关系等。目前，采用卷积神经网络的方法提取图像特征的应用非常普遍，也取得了不错的效果，如标准RNN(RecurrentNeuralNetwork，循环神经网络)、LSTM网络(LongShort-TermMemory，长短期记忆)、GRU(GatedRecurrentUnit，门控递归单元)等等，其中LSTM由于具有长距离记忆功能，因此其应用最为广泛。在自然语言处理中，LSTM特别擅长处理序列相关的任务，如对话系统、机器翻译、图像描述等等。一个拥有循环结构的模块，实际上可以拆解成多个相同子结构的组合，前一级的输出，作为这一级的输入。现有技术中的LSTM往往都是基于Caffe(卷积神经网络框架)架构的，运算冗余，网络结构复杂。因此如何优化网络结构，减少运算步骤成为了亟待解决的技术问题。
技术实现思路
...
【技术保护点】
1.一种目标数据特征提取方法，其特征在于，所述方法包括：/n提取一目标数据的特征向量；/n确定预设神经网络的一初始单元数据和一初始隐藏数据，并将所述特征向量以及初始单元数据和初始隐藏数据输入至所述预设神经网络进行处理，以对所述预设神经网络的单元数据和隐藏数据进行更新，并存储更新后的隐藏数据；/n将所述更新后的单元数据和隐藏数据再次输入至所述预设神经网络进行处理，以再次对所述单元数据和隐藏数据进行更新，将所述更新过程循环处理预设次数，并存储每次更新后的隐藏数据；/n将所述预设次数处理后存储的多个隐藏数据进行合并，以作为目标数据特征进行输出。/n
【技术特征摘要】
1.一种目标数据特征提取方法，其特征在于，所述方法包括：
提取一目标数据的特征向量；
确定预设神经网络的一初始单元数据和一初始隐藏数据，并将所述特征向量以及初始单元数据和初始隐藏数据输入至所述预设神经网络进行处理，以对所述预设神经网络的单元数据和隐藏数据进行更新，并存储更新后的隐藏数据；
将所述更新后的单元数据和隐藏数据再次输入至所述预设神经网络进行处理，以再次对所述单元数据和隐藏数据进行更新，将所述更新过程循环处理预设次数，并存储每次更新后的隐藏数据；
将所述预设次数处理后存储的多个隐藏数据进行合并，以作为目标数据特征进行输出。
2.根据权利要求1所述的目标数据特征提取方法，所述预设神经网络包括一全连接层和一长短期记忆网络单元，其特征在于，将所述特征向量以及初始单元数据和初始隐藏数据输入至所述预设神经网络进行处理的步骤包括：
将所述特征向量以及初始隐藏数据合并后输入至所述全连接层进行处理，得到一全连接层处理结果；
将所述全连接层处理结果和所述初始单元数据输入至所述长短期记忆网络单元进行处理。
3.根据权利要求2所述的目标数据特征提取方法，其特征在于，将所述特征向量以及初始隐藏数据合并后输入至所述全连接层进行处理，得到全连接层处理结果的步骤包括：
将所述特征向量以及初始隐藏数据合并后输入至所述全连接层进行处理，生成一卷积特征向量；
将所述卷积特征向量等分为多个子向量，并通过sigmoid函数对每个子向量进行处理，得到处理结果。
4.根据权利要求1所述的目标数据特征提取方法，其特征在于，所述长短期记忆网络单元包括依次连接的一遗忘门、一输入门和一输出门；
所述遗忘门用于确定输入的单元数据中保留到当前时刻的单元数据；
所述输入门用于确定输入到当前长短期记忆网络单元中的信息数量，并对当前长短期记忆网络单元的数据进行更新；
所述输出门用于确定当前长短期记忆网络单元需要输出的单元数据和隐藏数据。
5.根据权利要求4所述的目标数据特征提取方法，其特征在于，所述遗忘门、输入门和输出门中包括多个函数，分别为sigmoid函数、tanh函数、加法函数以及乘...
【专利技术属性】
技术研发人员：严梓乘，
申请(专利权)人：厦门星宸科技有限公司，
类型：发明
国别省市：福建;35
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。