【技术实现步骤摘要】
一种基于神经局域连接的线性分类方法
[0001]本专利技术涉及深度学习卷积神经网络域,具体来说是一种基于神经局域连接的线性分类方法。
技术介绍
[0002]近年来,深度学习技术迅速崛起,其中包括计算机视觉和自然语言处理等领域。深度学习(Deep Learning)通过模仿大脑的神经元结构、功能与机制,来进行对人脑智能的模拟,并以此来处理、学习与解释数据,例如图像、声音、文本及图结构等。随着深度学习技术的不断发展,各种改良的卷积神经网络(Convolutional Neural Network)和循环神经网络(Recurrent Neural Network)层出不穷以及大规模的训练模型(如Transformer、BERT、GPT等)。这些深度学习模型及其各种变体,能够通过大量数据进行学习,已经在图像分类,语音识别、视频分析等领域中取得了不错的效果。
[0003]深度卷积神经网络是深度学习发展过程中的一个里程碑,也是近年来深度学习研究和应用领域中最活跃的一个分支。卷积神经网络的应用十分广泛,其结构为输入层、卷积层,激活层、池化层(Pooling)、全连接层以及输出层。而全连接层通过将卷积神经网络中所提取的特征进行组合,将该层的每一个神经元都与上一层的所有神经元相连,使得卷积输出的二维特征图转化为一维的向量,从而得到数据的高级特征。其核心思想是使卷积层和池化层等神经网络层学习到“分布式特征表示”并映射到样本标记空间,在整个卷积神经网络中起到“分类器”的作用。简单来说,全连接层就是将前面的神经网络层所提取出来的局部 ...
【技术保护点】
【技术特征摘要】
1.一种基于神经局域连接的线性分类方法,包括以下步骤:(1)从图像数据集中获取原始图像数据,选取现有的卷积神经网络模型,将模型的全连接层以及预测层去除后,得到所需要的网络模型,将原始图像数据输入该模型,经过卷积层、激活层和池化层等网络层对图像特征进行提取,从而得到特征向量X;(2)获取基于神经网络所得到的特征向量X,将其展平为一维向量X∈R1×
n
,X={x1,x2,x3,
…
,x
n
};设置区间长为α,第一个区间为[1,α],此区间为第一份数据,记为α1∈R1×
α
;设置步长β,将第一个区间按步长β向右滑动,得到第二个区间为[1+β,α+β],此区间的数据为第二份数据,记为α2∈R1×
α
;再继续向右按步长β滑动,依此类推,直到最后一个区间。若n
‑
α能被β整除,设最后一个区间为第t份数据,记为α
t
∈R1×
α
;若n
‑
α不能β整除,则向下取整或向上取整,若选择向下取整,设所得最后一个区间为第t份数据,记为α
t
∈R1×
α
;若选择向上取整,所得最后一个区间为第t+1份数据,记为α
t+1
∈R1×
α
,不足区间长度的部分用0填充;(3)对第一份数据α1进行矩阵乘法运算,得到单个输出矩阵y1,y1计算公式如下:y1=wα1+b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中,w∈R
α
×
γ
(w是所需的权重参数),经此变换后y1∈R1×
γ
;向右滑动步长β,区间变为[1+β,α+β],为第二份数据α2∈R1×
α
,进行线性变换得到单个输出矩阵y2,y2计算公式如下:y2=wα2+b
ꢀꢀꢀ
(2)其中,w∈R
α
×
γ
,y2∈R1×
γ
。依此类推,直到滑到最后一个区间,当n
‑
α能被β整除时,最后一个区间为第t份数据α
t
∈R1×
α
,进行线性变换得到单个输出矩阵...
【专利技术属性】
技术研发人员:王崎,李娜,吴晨阳,吴兴财,吴雪,
申请(专利权)人:贵州大学,
类型:发明
国别省市:
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。