一种基于自适应前馈神经网络的目标分类方法.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CN113988181A(43)申请公布日2022.01.28(21)申请号202111263644.6(22)申请日2021.10.26(71)申请人北京航空航天大学云南创新研究院地址650051云南省昆明市盘龙区世博路8号(72)发明人栾富进高遐那靖(74)专利代理机构成都九鼎天元知识产权代理有限公司51214代理人和占宏(51)Int.Cl.G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于自适应前馈神经网络的目标分类方法(57)摘要本发明公开了一种基于自适应前馈神经网络的目标分类方法，其特征在于，包括以下步骤：构造前馈神经网络模型：通过泰勒级数展开式，将非线性前馈神经网络系统重构成为线性权值化的非线性系统；以权值估计误差为驱动，进行权值更新：根据构造辅助变量，提取权值估计误差信息变量，相应地设计出权值更新的自适应率；目标分类：根据权值更新的前馈神经网络模型，对目标图像进行分类。本发明通过改进的权值自适应估计方法，解决了传统的神经网络权值更新算法存在的限制，实现图像中目标的快速识别。CN113988181ACN113988181A权利要求书1/2页1.一种基于自适应前馈神经网络的目标分类方法，其特征在于，包括以下步骤：构造前馈神经网络模型：通过泰勒级数展开式，将非线性前馈神经网络系统重构成为线性权值化的非线性系统；以权值估计误差为驱动，进行权值更新：根据构造辅助变量，提取权值估计误差信息变量，相应地设计出权值更新的自适应率；目标分类：根据权值更新的前馈神经网络模型，对目标图像进行分类。2.根据权利要求1所述的基于自适应前馈神经网络的目标分类方法，其特征在于，所述构造前馈神经网络模型具体包括：步骤S100：采集图像数据，对深度学习的训练数据打上标签，并对采集的图像数据进行归一化处理；步骤S200：根据所要输入的图像数据和图像标签，设置前馈神经网络的输入层、隐藏层和输出层；步骤S300：引入前馈神经网络的输入、输出和各层权值的梯度，重构自适应前馈神经网络模型：其中，f(x,θ)∈Rt为构造的前馈神经网络，x∈Rn×n是前馈神经网络的输入矩阵，θ∈Rr是前馈神经网络的权值矩阵展平后的向量，前馈神经网络在权值估计处的一阶泰勒级数展开式中，是前馈神经网络关于权值θ的一阶梯度，v是一阶泰勒展开式余项。3.根据权利要求2所述的基于自适应前馈神经网络的目标分类方法，其特征在于，所述步骤S200：根据所要输入的图像数据，确定神经网络所要输入矩阵的批量大小，设定图像数据作为神经网络输入的矩阵变换方法，选择前馈神经网络的输入层和隐藏层的节点数和激活函数；根据所要输入的图像标签，确定神经网络输出层的节点数和激活函数，初始化神经网络的权值。4.根据权利要求3所述的一种基于自适应前馈神经网络的目标分类方法，其特征在于，所述步骤S200具体包括以下步骤：步骤S210：基于归一化处理后的图像数据，对图像矩阵进行矩阵变换，经过一维投影或者矩阵展平，转换为神经网络输入的一维向量；步骤S220：基于图像标签，设置神经网络的输出节点数，设计相应各层的权值矩阵，使得网络层的输出维数与下一个网络层输入的维数相等，并初始化各层权值的非零矩阵。5.根据权利要求4所述的一种基于自适应前馈神经网络的目标分类方法，其特征在于，所述步骤S220后设计的前馈神经网络如下：2CN113988181A权利要求书2/2页其中，是输出层的激活函数，是输出层的输入，wt是该层的权值矩阵，分别是隐藏层的激活函数和输入，g(x)是对图像矩阵进行矩阵变换，即一维投影或者矩阵展平，θ是神经网络权值，w1,w2,…,wt是展平后的向量。6.根据权利要求1所述的基于自适应前馈神经网络的目标分类方法，其特征在于，以权值估计误差为驱动，进行权值更新的方法具体包括：步骤S410：根据步骤S300重构后的神经网络，构造如下辅助变量P∈Rr×r,Q∈Rr：其中，l>0为泄露项，κ>0为增益；步骤S420：根据步骤S410得到的辅助变量，构造变量W∈Rr,H∈Rr：其中，W是权值估计误差变量，变量是有界的，即步骤S430：根据步骤S420得到的变量W、H，计算神经网络权值更新的自适应率其中Γ>0，为学习增益。7.根据权利要求1所述的基于自适应前馈神经网络的目标分类方法，其特征在于，所述目标分类方法包括：在达到测试精度的条件下，根据权值更新的自适应率，实现权值的稳定收敛，对后续的目标图像进行分类。8.根据权利要求7所述的一种基于自适应前馈神经网络的目标分类方法，其特征在于，所述所述目标分类方法具体包括以下步骤：步骤S510：持续为自适