[发明专利]一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法

权利要求书

1.一种基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法，其特征在于：首先通过稀疏自动编码器对输入图像进行无监督预训练，得到一组反映原始输入图像特性的卷积核初值集合；然后利用这一组卷积核初值对原始输入图像进行卷积、池化操作；引入灰度关联分析法计算出最后一次池化后的子采样层的特征图与对应的输出结果之间的关联度，设定阈值，去除关联性较小的特征图数据，使得系统可以自动选择对识别结果影响较大的隐藏特征图。

2.根据权利要求1所述的基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法，其特征在于：所述卷积、池化操作能为多次。

3.根据权利要求2所述的基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法，其特征在于：所述卷积、池化操作为两次，具体步骤如下：

Step1、导入训练集与测试集，设定CNN的初始网络结构并对网络参数进行初始化；

Step2、利用稀疏自动编码器预训练，得到CNN网络的第一层卷积层所对应的卷积核的初始参数；

Step3、通过式(1)计算得到第一层卷积层的特征图；

al+1i=f(Σj=1pwijlx(i)+bl+1(i))---(1);]]>

其中，为第l+1层第i单元输出的激活值，f函数为激活函数，p为第l+1层的维数，为l层第i单元与l+1层第j单元之间的权值，x⁽ⁱ⁾为第i个输入，为l+1层第i单元的偏置；

Step4、对第一层卷积层进行池化操作，得到第一层子采样层的特征图；

Step5、重复Step3，对Step4得到的第一层子采样层特征图进行卷积操作，得到第二层卷积层特征图；重复Step4，对第二层卷积层特征图进行池化操作，得到第二层子采样层特征图；

Step6、将第二层子采样层所有的特征图展开成列向量，采用全连接的方式，经过分类器得到每个特征图对应的识别结果；

Step7、提取第二层子采样层的特征图数据，并将每个特征图对应的识别结果作为灰度关联分析法的比较序列，对应的真实标签作为参考序列，计算各特征图与识别结果的关联度，保留关联度大于阈值的特征图，舍弃小于等于阈值的特征图；得到优化后的CNN网络结构；

Step8、在优化后的CNN网络结构下，重复步骤Step2、3、4、5、6，直到算法收敛，或者达到最大迭代次数。

4.根据权利要求3所述的基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法，其特征在于：所述激活函数采用的是sigmoid函数。

5.根据权利要求3所述的基于稀疏自动编码器和灰度关联分析法的卷积神经网络算法优化方法，其特征在于：所述测试集对训练过的网络进行测试，计算出误差率。