基于神经网络的图像识别方法和系统技术方案

本发明专利技术涉及一种基于神经网络的图像识别方法和系统。所述方法包括：a，采集训练样本图像和类别，建立训练样本集；b，设定预先建立的神经网络参数的初始值，所述神经网络包括输入层、中间变量层和输出层，所述中间变量层的节点包括各个输出神经元节点的兴奋型变量节点和抑制型变量节点，所述中间变量层的各节点分别与所述输入层的每个输入神经元节点通过可变权值连接，所述可变权值包括可变的长期权值和短期权值；c，根据所述训练样本集对所述神经网络进行训练；步骤d，利用完成训练的所述神经网络对待分类图像进行识别分类。从输入层到输出层所需计算量与输入样本的次数成正比，即计算量是线性增长，大大减小，提高了识别效率。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及一种基于神经网络的图像识别方法和系统。所述方法包括：a，采集训练样本图像和类别，建立训练样本集；b，设定预先建立的神经网络参数的初始值，所述神经网络包括输入层、中间变量层和输出层，所述中间变量层的节点包括各个输出神经元节点的兴奋型变量节点和抑制型变量节点，所述中间变量层的各节点分别与所述输入层的每个输入神经元节点通过可变权值连接，所述可变权值包括可变的长期权值和短期权值；c，根据所述训练样本集对所述神经网络进行训练；步骤d，利用完成训练的所述神经网络对待分类图像进行识别分类。从输入层到输出层所需计算量与输入样本的次数成正比，即计算量是线性增长，大大减小，提高了识别效率。【专利说明】基于神经网络的图像识别方法和系统
本专利技术涉及图像识别领域，特别是涉及一种基于神经网络的图像识别方法和系统。
技术介绍
无监督学习方法是一种机器学习方式，其被广泛的应用于多个研究领域，例如数据挖掘、计算机视觉、人工智能等。例如，K-mean等聚类方法,能够让计算机自动寻找出有规律的数据而去除无规律的噪声数据。该K-mean聚类方法也可应用于图像领域，对图像进行分类识别，然而该K-mean聚类方法学习的计算量与输入样本的次数η的平方成正比，即计算量是η2增长的，因而导致识别效率低下。
技术实现思路
基于此，有必要针对现有技术中图像识别效率低下的问题，提供一种能提高识别效率的基于神经网络的图像识别方法。此外，还有必要提供一种能提高识别效率的基于神经网络的图像识别系统。一种基于神经网络的图像识别方法，包括:步骤a，采集训练样本图像和类别，并将所述训练样本图像按照类别顺序建立训练样本集；步骤b，设定预先建立的神经网络参数的初始值，所述神经网络包括输入层、中间变量层和输出层，所述中间变量层的节点包括各个输出神经元节点的兴奋型变量节点和抑制型变量节点，所述中间变量层的各节点分别与所述输入层的每个输入神经元节点通过可变权值连接，所述可变权值包括可变的长期权值和短期权值，所述输出层的每个输出神经元节点分别与所述中间变量层中对应的兴奋型变量节点和抑制型变量节点相连接；步骤C，根据所述训练样本集对所述神经网络进行训练，直到各个神经元的可变权值的变动在预设允许范围内结束训练；步骤d，利用完成训练的所述神经网络对待分类图像进行识别分类。一种基于神经网络的图像识别系统，包括:样本采集模块，用于采集训练样本图像和类别，并将所述训练样本图像按照类别顺序建立训练样本集；初始化模块，用于设定预先建立的神经网络参数的初始值，所述神经网络包括输入层、中间变量层和输出层，所述中间变量层的节点包括各个输出神经元节点的兴奋型变量节点和抑制型变量节点，所述中间变量层的各节点分别与所述输入层的每个输入神经元节点通过可变权值连接，所述可变权值包括可变的长期权值和短期权值，所述输出层的每个输出神经元节点分别与所述中间变量层中对应的兴奋型变量节点和抑制型变量节点相连接；训练模块，用于根据所述训练样本集对所述神经网络进行训练，直到各个神经元的可变权值的变动在预设允许范围内结束训练；分类模块，用于利用完成训练的所述神经网络对待分类图像进行识别分类。上述基于神经网络的图像识别方法和系统，建立的神经网络中输入层的输入样本按类别顺序输入，且从输入层到输出层所需计算量与输入样本的次数成正比，即计算量是线性增长，相比于传统的K均值聚类法的计算量，大大减小，提高了识别效率。此外，因长期权值是缓慢改变的，对噪声有较好的抵抗能力，短期权值能够快速学习识别，故采用长期权值和短期权值机制，能够具有更强的抗噪声能力，且识别效率高；且该神经网络具有良好的可扩展性，可以构建成多层神经网络系统，从而获得更强的学习能力；通过测试样本进行对训练后的神经网络进行测试，在未达到分类精确度时，再调整权值和参数重新训练，可提高神经网络的识别精确度。【专利附图】【附图说明】图1为一个实施例中基于神经网络的图像识别方法的流程图；图2为神经网络的结构示意图；图3为根据该训练样本集对该神经网络进行训练的流程图；图4为另一个实施例中基于神经网络的图像识别方法的流程图；图5为一个实施例中基于神经网络的图像识别系统的结构框图；图6为图5中训练模块的内部结构示意图；图7为另一个实施例中基于神经网络的图像识别系统的结构框图；图8a为原始图像；图8b为加入了闻斯噪声后的图像；图8c为权值的初始状态；图8d为正权值的训练结果；图8e为负权值的训练结果。【具体实施方式】为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，为一个实施例中基于神经网络的图像识别方法的流程图。一种基于神经网络的图像识别方法，包括:步骤102，采集训练样本图像和类别，并将该训练样本图像按照类别顺序建立训练样本集 。具体的，首先采集训练样本图像且分不同的类别，每类别的图像的样本数相同，例如采集的图像共有10类，第一类图像的样本数为1000，则其它9类图像的样本数也为1000。然后将训练样本按照类别顺序建立训练样本集，即输入样本的顺序为第一类图像样本、第二类图像样本、第三类图像样本、……、第十类图像样本、第一类图像样本。步骤104，设定预先建立的神经网络参数的初始值，该神经网络包括输入层、中间变量层和输出层，该中间变量层的节点包括各个输出神经元节点的兴奋型变量节点和抑制型变量节点，该中间变量层的各节点分别与该输入层的每个输入神经元节点通过可变权值连接，该可变权值包括可变的长期权值和短期权值，该输出层的每个输出神经元节点分别与该中间变量层中对应的兴奋型变量节点和抑制型变量节点相连接。本实施例中，预先建立的神经网络的输入层的输入数据的维度大小与图像像素大小相同，如输入的图像为100X100像素大小的图像，则神经网络的输入层的输入数据的维度大小为100X100。还需设置希望通过神经网络得到的类别数，如10类。神经网络的参数包括用于调节长期权值和短期权值对输出神经元的影响比例的变量σ、隐藏变量的变化步长δ、权值的变化步长P、神经元非线性函数的变化曲率a、偏移量s和随训练次数变化的变量b，需要对神经网络的参数设置初始值。本实施例中，σ 一般设置在0.1至0.3之间；δ —般设置在0.5至3之间；ρ设置在O至I之间，且不为O ;a设置在30至100之间；b的初始值设置为0.5 ；s设置为0.05至0.15之间。在其他实施例中，这些参数可为其他值。此外，a分为a+和a_，且a+和a_初始值相等；b分为b+和b_，且b+和b_初始值相等；P分为P +和P _，且P +和P _初始值相等。如图2所示为神经网络的结构示意图。图2中神经网络包括输入层、中间变量层和输出层。输入层的输入数据可为任意维度，图2中&、&、&和\为4个输入神经元节点；中间变量层的节点Yi+和Y1-为第一个输出神经元的中间变量节点，Y1+为第一个输出神经元的兴奋型变量节点、Y1-为第一个输出神经元的抑制型变量节点；输出层的节点Y1是第一个输出神经元，是第一个输出神经元的兴奋型变量和抑制型变量综合作用的结果；同样Yn是第η个输出神经本文档来自技高网...

【技术保护点】
一种基于神经网络的图像识别方法，包括：步骤a，采集训练样本图像和类别，并将所述训练样本图像按照类别顺序建立训练样本集；步骤b，设定预先建立的神经网络参数的初始值，所述神经网络包括输入层、中间变量层和输出层，所述中间变量层的节点包括各个输出神经元节点的兴奋型变量节点和抑制型变量节点，所述中间变量层的各节点分别与所述输入层的每个输入神经元节点通过可变权值连接，所述可变权值包括可变的长期权值和短期权值，所述输出层的每个输出神经元节点分别与所述中间变量层中对应的兴奋型变量节点和抑制型变量节点相连接；步骤c，根据所述训练样本集对所述神经网络进行训练，直到各个神经元的可变权值的变动在预设允许范围内结束训练；步骤d，利用完成训练的所述神经网络对待分类图像进行识别分类。

【技术特征摘要】

【专利技术属性】
技术研发人员：翁凯剑，梁国远，吴新宇，徐扬生，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：