卷积神经网络模型构建方法、系统、装置及可读存储介质.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CN109002882A(43)申请公布日2018.12.14(21)申请号201810717777.8(22)申请日2018.07.03(71)申请人广东工业大学地址510060广东省广州市越秀区东风东路729号(72)发明人张小波任斌孙盛顾钰良(74)专利代理机构北京集佳知识产权代理有限公司11227代理人罗满(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图2页(54)发明名称卷积神经网络模型构建方法、系统、装置及可读存储介质(57)摘要本申请公开了一种卷积神经网络模型构建方法、系统、装置及计算机可读存储介质，S1：利用目标卷积神经网络模型的参考序列和当前采样层的每个特征图的比较序列，得到当前采样层每个特征图的关联系数；S2：利用每个特征图的关联系数，得到当前采样层每个隐藏节点的关联度；S3：利用阈值，统计关联度大于等于阈值的隐藏节点的数量；S4：将数量作为当前采样层的前一卷积层的隐藏节点个数；S5：重复迭代S1至S4，直至当前采样层为第一个采样层；本申请基于灰色关联分析法，计算当前采样层每个隐藏节点的关联度，将关联度低于阈值的隐藏节点筛选掉，保留精度更高的隐藏节点，得到精准度高的卷积层，从而得到高效的卷积神经网络模型。CN109002882ACN109002882A权利要求书1/2页1.一种卷积神经网络模型构建方法，其特征在于，包括：S1：利用目标卷积神经网络模型的参考序列和当前采样层的每个特征图的比较序列，得到当前采样层每个特征图的关联系数；S2：利用每个特征图的关联系数，得到当前采样层每个隐藏节点的关联度；S3：利用阈值，统计关联度大于等于所述阈值的隐藏节点的数量；S4：将所述数量作为当前采样层的前一卷积层的隐藏节点个数；S5：重复迭代S1至S4，直至当前采样层为第一个采样层；其中，所述参考序列为所述目标卷积神经网络模型的输出，所述比较序列为当前采样层的每个隐藏节点的输出；采样层首次迭代为所述目标卷积神经网络模型中最后一个采样层，按照反向传播方向依次迭代至第一个采样层。2.根据权利要求1所述的卷积神经网络模型构建方法，其特征在于，所述利用目标卷积神经网络模型的参考序列和当前采样层的比较序列，得到当前采样层每个特征图的关联系数的过程，包括：利用所述参考序列和所述比较序列，代入关联系数计算公式，得到当前采样层每个特征图的关联系数；其中，所述关联系数计算公式为：式中，ρ(ρ∈[0,1])为关联系数计算过程中的分辨系数，yk表示所述目标卷积神经网络模型的输出，即所述参考序列，ti(k)表示当前采样层的每个隐藏节点的输出，即所述比较序列，ξi(k)表示第i个隐藏节点中第k个特征图的关联系数。3.根据权利要求2所述的卷积神经网络模型构建方法，其特征在于，所述利用每个特征图的关联系数，得到当前采样层每个隐藏节点的关联度的过程，包括：利用每个特征图的关联系数，代入关联度计算公式，得到每个隐藏节点的关联度；其中，所述关联度计算公式为：式中，γi第i个隐藏节点的关联度，N表示样本图像数。4.根据权利要求1至3任一项所述的卷积神经网络模型构建方法，其特征在于，所述阈值为首次迭代得到的当前采样层每个隐藏节点的关联度的平均值。5.一种卷积神经网络模型构建系统，其特征在于，包括：关联系数计算模块，用于利用目标卷积神经网络模型的参考序列和当前采样层的每个特征图的比较序列，得到当前采样层每个特征图的关联系数；关联度计算模块，用于利用每个特征图的关联系数，得到当前采样层每个隐藏节点的关联度；数量统计模块，用于利用阈值，统计关联度大于等于所述阈值的隐藏节点的数量；优化模块，用于将所述数量作为当前采样层的前一卷积层的隐藏节点个数；迭代模块，用于重新调用所述关联系数计算模块，直至当前采样层为第一个采样层；其中，所述参考序列为所述目标卷积神经网络模型的输出，所述比较序列为当前采样2CN109002882A权利要求书2/2页层的每个隐藏节点的输出；采样层首次迭代为所述目标卷积神经网络模型中最后一个采样层，按照反向传播方向依次迭代至第一个采样层。6.根据权利要求5所述的卷积神经网络模型构建系统，其特征在于，所述关联系数计算模块，具体用于利用所述参考序列和所述比较序列，代入关联系数计算公式，得到当前采样层每个特征图的关联系数；其中，所述关联系数计算公式为：式中，ρ(ρ∈[0,1])为关联系数计算过程中的分辨系数，yk表示所述目标卷积神经网络模型的输出，即所述参考序列，ti(k)表示当前采样层的每个隐藏节点的输出，即所述比较序列，ξi(k)表示第i个隐藏节点中第k个特征图的关联系数。7.根据权利要求6所述的卷积神经网络模型构