基于神经网络的图像分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110598720A(43)申请公布日2019.12.20(21)申请号201810601289.0(22)申请日2018.06.12(71)申请人何雪梅地址610000四川省成都市武侯区双安南巷1号1栋7楼11号(72)发明人何雪梅(51)Int.Cl.G06K9/62(2006.01)权利要求书1页说明书2页(54)发明名称基于神经网络的图像分类方法(57)摘要本发明公开了基于神经网络的图像分类方法：S1、初始化，依据实际问题给出网络联结结构，随机的设置所有联结权值为任意小；S2、提供训练样本及控制参数；S3、求隐含层、输出层各单元的实际输出值；S4、求输出值与期望输出值的偏差；S5、达到精度要求时输入待分类图像然后进行分类；未达到精度要求时调整网络间权值，S6、输出结果。权值调整，用递归方法从输出节点开始返回到隐层节点；给定输入后，神经网络可以通过调整各权重值或网络结构来获得期望输出。增加的隐含层由于节点之间通过权重来连接且具有自我调节能力，能方便的利用各种类型的多源数据进行综合研究，有利于提高分类精度。CN110598720ACN110598720A权利要求书1/1页1.基于神经网络的图像分类方法，其特征在于，S1、初始化，依据实际问题给出网络联结结构，随机的设置所有联结权值为任意值；S2、提供训练样本及控制参数；S3、求隐含层、输出层各单元的实际输出值；S4、求输出值与期望输出值的偏差；S5、达到精度要求时输入待分类图像然后进行分类；未达到精度要求时调整网络间权值；S6、输出结果。2.根据权利要求1所述的基于神经网络的图像分类方法，其特征在于，所述权值调整，用递归方法从输出节点开始返回到隐层节点。3.根据权利要求1所述的基于神经网络的图像分类方法，其特征在于，提供训练样本:如果输入变量为n个，输出变量为m个，每个训练样本形式x1，x2，……，xn；t1，t2，……，tm；所述t1，t2，……，tm是输入为x1，x2，……，xn时的期望输出。2CN110598720A说明书1/2页基于神经网络的图像分类方法技术领域[0001]本发明涉及图像识别算法，具体涉及基于神经网络的图像分类方法。背景技术[0002]神经网络主要有处理单元、网络拓扑结构和训练规则组成。处理单元即神经元，是神经网络的基本操作单元，用以模拟人脑神经元的功能。一个神经元有多个输入、输出路径，其输入端模拟人脑神经的树突功能，起信息传递作用；输出端模拟人脑神经的轴突功能，将处理后的信息传给下一个神经元。具有相同功能的神经元构成处理层。神经网络的拓扑结构决定了各处理单元、各处理层之间信息传递的方式和途径。训练规则利用激励函数进行数据处理，训练网路系统进行模式识别。神经网路按照神经网络的拓扑结构可分为层状和网状两类。发明内容[0003]本发明利用神经网络遥感图像进行识别，提供一种基于神经网络的图像分类方法。[0004]本发明通过下述技术方案实现：[0005]基于神经网络的图像分类方法，[0006]S1、初始化，依据实际问题给出网络联结结构，随机的设置所有联结权值为任意值；[0007]S2、提供训练样本及控制参数；[0008]S3、求隐含层、输出层各单元的实际输出值；[0009]S4、求输出值与期望输出值的偏差；[0010]S5、达到精度要求时输入待分类图像然后进行分类；未达到精度要求时调整网络间权值；[0011]S6、输出结果。[0012]进一步的，权值调整，用递归方法从输出节点开始返回到隐层节点。给定输入后，神经网络可以通过调整各权重值或网络结构来获得期望输出。[0013]进一步的，提供训练样本:如果输入变量为n个，输出变量为m个，每个训练样本形式x1，x2，……，xn；t1，t2，……，tm；所述t1，t2，……，tm是输入为x1，x2，……，xn时的期望输出。[0014]本发明与现有技术相比，具有如下的优点和有益效果：[0015]1、本发明基于神经网络的图像分类方法，增加的隐含层由于节点之间通过权重来连接且具有自我调节能力，能方便的利用各种类型的多源数据进行综合研究，有利于提高分类精度。具体实施方式3CN110598720A说明书2/2页[0016]为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。[0017]实施例[0018]本发明基于神经网络的图像分类方法，[0019]S1、初始化，依据实际问题给出网络联结结构，随机的设置所有联结权值为任意小。；[0020]S2、提供训练样本及控制参数；[0021]S3、求隐含层、输出层各单元的实际输出值；[0022]S4、求输出值