一种基于群智能优化的图像分类卷积神经网络设计方法技术

本发明专利技术公开了一种基于群智能优化的图像分类卷积神经网络设计方法，首先对图像数据集进行数据增强和数据预处理，而后构建神经网络搜索空间；通过随机初始化粒子种群，使用特定的解码方案将粒子解码为候选卷积神经网络，并采用随机数据集对候选神经网络网络进行评估；选择出个体最优和全局最优个体更新种群，直到迭代完成，确定最优粒子个体再次作为候选网络，并引入不同的优化器和学习率生成下一代种群，避免网络陷入局部极小值。本发明专利技术在图像分类任务中获得的模型与经验设计模型和其他自动设计方法获得模型相比，分类准确率和模型大小具有较大的优势和竞争力。小具有较大的优势和竞争力。小具有较大的优势和竞争力。

【技术实现步骤摘要】
一种基于群智能优化的图像分类卷积神经网络设计方法


[0001]本专利技术属于图像分类
，具体涉及一种基于群智能优化的图像分类卷积神经网络设计方法。

技术介绍

[0002]图像分类是计算机视觉领域中一类重要问题，受到学术界和工业界的广泛关注。卷积神经网络(Convolutional Neural Networks，CNN)具有权值共享、性能优、鲁棒性强等特点，在计算机视觉任务中具有显著优势。当前，大多现有网络是由专家根据过往经验及不断试错设计而来，其设计过程复杂且耗时。为解决卷积神经网络设计困难的问题，谷歌提出了自动化深度学习的概念，并已成为当前研究热点，受到广泛关注。
[0003]广义的演化计算是一类基于种群的元启发式优化方法，用于解决复杂的优化问题，其包括进化计算和群智能。文献1(Xie L,Yuille A.Genetic cnn[A].Proceedings of the IEEE international conference on computer vision[C].Venice,Italy：IEEE,2017.13本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于群智能优化的图像分类卷积神经网络设计方法，其特征在于，包括以下步骤：S1：对输入图片数据集进行预处理，后将数据集划分为训练数据集和测试数据集，其中训练数据集划分为训练集和验证集；S2：设计卷积神经网络搜索空间，并引入禁用层，采用可变长编码映射方法对卷积神经网络进行编码，当编码值属于禁用层范围时，该层在解码过程中被移除；S3：随机创建候选卷积神经网络集作为初始种群，根据适应度值选择出当前种群中个体最优和全局最优个体，采用粒子群优化算法更新当前种群并持续迭代，迭代完成后得到性能最优的卷积神经网络模型；S4：以S3中得到的卷积神经网络模型作为父代，引入不同类型的优化器和不同学习率构成多个组合优化器，以卷积神经网络和组合优化器的结合构成初始化种群并进行训练，在每一次训练中，选择出当前最优个体与组合优化器组合形成下一代种群，训练一定次数后，得到用于图像分类的最优卷积神经网络结构和相应的权值。2.根据权利要求1所述的方法，其特征在于，步骤S1中，其具体操作为：a)通过随机水平翻转、随机旋转和随机裁剪的方式对分类图片进行图像增强；b)输入图片进行归一化操作；c)预处理完成后，将数据集划分为训练数据集和测试数据集，其中训练集进一步划分为训练集和验证集，划分比例为8:2。3.根据权利要求1所述的方法，其特征在于，步骤S2中，其具体操作为：a)所述卷积神经网络搜索空间包括卷积层、池化层、全连接层和激活函数；b)在搜索空间中引入禁用层；c)采用可变长编码映射方法对卷积神经网络进行编码，所述可变长编码映射方法具体步骤如下：确定卷积层、池化层、全连接层和禁用层的编码范围；将编码拆分为整数部分和小数部分，其中，整数部分用二进制进行编码，小数部分用2
n
形式进行编码，式中n为小数部分的数值大小。4.根据权利要求1所述的方法，其特征在于，步骤S3中，其具体操作为：a)随机创建候选卷积神经网络个体：初始化一个长度为m的个体向量，最多具有n个全连接层数，所述个体向量中第一位表示一个卷积层，第m位表示分类层；第二位到(m
‑
n)位的任意一位表示卷积层、池化层和禁用层任意一层；(m
‑
n)位到(m
‑
1)位的任意一位表示卷积层、池化层、全连接层和禁用层任意一层，...

【专利技术属性】
技术研发人员：程吉祥，王圳鹏，李志丹，吴丹，何虹斌，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：