【技术实现步骤摘要】
本专利技术涉及一种缓解反馈系数偏移导致光电储备池计算图像识别性能下降的训练方法，属于机器学习和图像识别交叉领域。
技术介绍
1、人工神经网络是受生物大脑结构启发的计算模型，由于大脑的高速、高效和并行处理而引起人们的极大兴趣，近年来，从工程到科学研究的各种任务，包括语音识别、非线性信道均衡、图像分类、机器人控制和医疗诊断，都已成功地由人工神经网络解决。
2、其中，图像识别技术在安防或健康科学领域有着广泛的应用领域，备受关注，在人工智能领域发挥着关键作用，许多基于不同物理设备的神经启发算法已被报道用于处理这一实际问题，并显示出最先进的性能，然而，在处理图像识别等复杂任务时，人工神经网络的优异精度往往意味着大量的参数和复杂的结构，导致训练的计算成本很大。
3、为了解决图像识别任务面对的这些问题，研究人员做了很多创新性探索，其中储备池计算被赋予极大的期望，储备池计算源于递归神经网络，典型的储备池计算结构通常分为三个独立的层:输入层、储层和输出层，输入层和输出层分别用于实现预处理和后处理，中间层称为储层，与递归神经网络一样...
【技术保护点】
1.一种缓解反馈系数偏移导致光电储备池计算图像识别性能下降的训练方法，包括以下步骤：
2.根据权利要求1所述的缓解反馈系数偏移导致光电储备池计算图像识别性能下降的训练方法，其特征在于，所述S2中的训练源权重WS对应反馈系数最优值的情况，通过岭回归的训练公式得到：
3.根据权利要求1所述的缓解反馈系数偏移导致光电储备池计算图像识别性能下降的训练方法，其特征在于，计算校正权重δW，在岭回归误差函数ET(δw)＝||WTXT-YT||2+λ||WT||2的基础上再引入一个基于δW的正则项，得到结合岭回归和迁移学习的误差函数ET(δw)＝||WTXT-...
【技术特征摘要】
1.一种缓解反馈系数偏移导致光电储备池计算图像识别性能下降的训练方法，包括以下步骤：
2.根据权利要求1所述的缓解反馈系数偏移导致光电储备池计算图像识别性能下降的训练方法，其特征在于，所述s2中的训练源权重ws对应反馈系数最优值的情况，通过岭回归的训练公式得到：
3.根据权利要求1所述的缓解反馈系数偏移导致光电储备池计算图像识别性能下降的训练方法，其特征在于，计算校正权重δw，在岭回归误差函数et(δw)＝||wtxt-yt||2+λ||wt||2的基础上再引入一个基于δw的正则项，得到结合岭回归和迁移学习的误差函数et(δw)＝||wtxt-yt||2+λ||wt||2+μ||δw||2，其中yt是根据反馈系数偏移值下输入图像的标签构建的目标矩阵，λ是正则化系数，μ为传输速率，表示的是从训练源权重传输到训练目标权重的信息量。
4.根据权利要求1所述的缓解反馈系数偏移导致光电储备池计算图像识别性能下降的训练方法，其特征在于，所述s3中对不同传输系数下的训练目标权重wt进行分析，根据公式计算对应的预测结果
5.根据权利要求1所述的缓解反馈系数偏移导致光电储...
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。