一种基于卷积神经网络的模式识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116029339A(43)申请公布日2023.04.28(21)申请号202310016464.0(22)申请日2023.01.06(71)申请人上海理工大学地址200000上海市杨浦区军工路516号(72)发明人葛昕岳敏楠(74)专利代理机构重庆市信立达专利代理事务所(普通合伙)50230专利代理师杨逍(51)Int.Cl.G06N3/0464(2023.01)G06N3/086(2023.01)G06V10/82(2022.01)权利要求书3页说明书8页附图1页(54)发明名称一种基于卷积神经网络的模式识别方法(57)摘要本发明属于基于卷积神经网络的模式识别技术领域，公开了一种基于卷积神经网络的模式识别方法。本发明通过构建目标卷积神经网络方法能够有效降低目标卷积神经网络的结构复杂度；并且，在目标卷积神经网络使用时，可以直接基于每对基向量来完成卷积层的卷积运算，提高了运算效率；同时，通过对目标卷积神经网络进行优化方法对目标卷积神经网络进行时间与能耗目标建模，对时间、能耗逐层预测，同时分析时间、能耗开销的主导目标建模参数，通过改进目标建模参数、改变阵列分割方法与缓存分割方法对目标卷积神经网络进行时间与能耗双目标优化从而改进目标卷积神经网络模型。CN116029339ACN116029339A权利要求书1/3页1.一种基于卷积神经网络的模式识别方法，其特征在于，所述基于卷积神经网络的模式识别方法包括以下步骤：步骤一，获取目标数据样本；对目标数据样本数据预处理；确定多个初始目标神经单元；步骤二，将所述多个初始目标神经单元作为遗传算法的基础基因进行迭代计算，其中，在迭代过程中，根据目标进行模式识别的准确率进行遗传选择，所述准确率越高的目标被变异与交叉的概率越低；步骤三，当迭代结果满足预设的终止条件时，根据所述准确率满足第一预设阈值的目标构建目标卷积神经网络；并对目标卷积神经网络进行优化，以及将待识别对象输入至所述目标卷积神经网络，得到所述待识别对象对应的模式识别结果。2.如权利要求1所述基于卷积神经网络的模式识别方法，其特征在于，所述构建目标卷积神经网络方法如下：(1)获取预设训练集，所述预设训练集包括至少一个目标图像组，每个目标图像组包括目标颜色分量的原始样本目标图像，与所述原始样本目标图像对应的所述目标颜色分量的失真目标图像；(2)设置初始目标卷积神经网络的目标网络参数集，所述目标网络参数集包括所述初始目标卷积神经网络的所有目标网络参数的参数值；重复执行目标卷积神经网络的训练过程，直至预设的损失函数对应的损失值收敛至目标范围，以得到所述训练后的目标卷积神经网络；(3)基于所述训练后的目标卷积神经网络确定待处理目标卷积神经网络；对待处理目标卷积神经网络中的至少一个目标卷积层执行张量分解操作以得到目标卷积神经网络；通过所述目标卷积神经网络对视频中的目标图像进行去失真处理；其中，所述重复执行目标卷积神经网络的训练过程，直至预设的损失函数对应的损失值收敛至目标范围，以得到所述训练后的目标卷积神经网络，包括：执行至少一次筛选训练过程，直至预设的损失函数对应的损失值收敛至目标范围，以得到所述训练后的目标卷积神经网络，所述筛选训练用于对目标卷积神经网络的网络参数进行筛选处理，其中，每次筛选训练过程包括：执行F1次所述目标卷积神经网络的训练过程，所述F1为正整数；将F1次训练后的所述目标卷积神经网络中，弱化参数的参数值置0，执行F2次所述目标卷积神经网络的训练过程，所述弱化参数为所述目标网络参数集中除参数值最大的前r1个目标网络参数之外的目标网络参数，所述F2为正整数；将F2次训练后的所述目标卷积神经网络中，所述弱化参数的参数值恢复至所述F2次训练前的参数值。3.如权利要求2所述基于卷积神经网络的模式识别方法，其特征在于，所述对于一个目标卷积层，所述张量分解操作包括：将表征目标卷积层的X阶张量基于张量分解算法进行分解，以得到表征处理后的目标卷积层的一对基向量，所述一对基向量中的元素总数小于所述X阶张量中的元素总数，所述X为大于1的整数。4.如权利要求2所述基于卷积神经网络的模式识别方法，其特征在于，所述对待处理目标卷积神经网络中的至少一个目标卷积层执行张量分解操作以得到目标卷积神经网络，包2CN116029339A权利要求书2/3页括：检测待处理目标卷积神经网络中的每个卷积层中有效网络参数的个数，所述有效网络参数Y1满足：Y2≤Y1≤1，所述Y2为预设的大于0的参考阈值；将有效网络参数的个数小于预设个数阈值的卷积层确定为所述目标卷积层；对待处理目标卷积神经网络中的每个目标卷积层执行所述张量分解操作以得到目标卷积神经网络。5.如权利要求2所述基于卷积神经网络的模式识别方法，其特征在