[发明专利]一种基于权值不确定性玻尔兹曼机的识别方法及系统

权利要求书

1.基于权值不确定性玻尔兹曼机的图像识别方法，其特征在于，通过构建带有标签的手写体数字图片作为样本集对神经网络进行训练，将训练好的神经网络保存，将待识别图片作为输入，根据输出向量得到识别结果。

2.根据权利要求1所述的方法，其特征是，所述的深度神经网络为多层神经网络，包括输入层、4个隐藏层和1个输出层，其中：输入层是2维的图像像素矩阵，由卷积层池化层交替连接，最终使用一个全连接层将二维数据转化为1维，每一层有32个卷积核，每一个卷积核尺寸为5*5，池化层采用最大池化方法，输出层设置为10个节点，该模型结构称为卷积深度置信网(CDBNs)。

3.根据权利要求1所述的方法，其特征是，所指的训练是指：将样本集(包括二维图像和对应的标签)输入到设置好结构的神经网络，进行预训练，然后对得到的卷积深度置信网(CDBNs)模型结合wake-sleep算法调整参数和偏置，完成对神经网络的完整的训练过程。

4.根据权利要求1或3所述的方法，其特征是，所述的训练包括：

4.1：对网络初始化：对卷积核、权值和偏置进行随机初始化；

4.2：将训练样本和标签集导入初始化好的网络进行预训练，首先引入卷积和概率最大池化方法训练受限制的玻尔兹曼机，得到卷积受限制的玻尔兹曼机(CRBMs)模型，然后使用weight uncertainty方法来训练CRBMs，以缓解过拟合问题。接下来，将CRBMs堆叠成一个卷积深度置信网(CDBNs)模型；

4.3：将实际输出与标签进行对比，得到误差，将CDBNs作为神经网络，利用weightuncertainty BP算法或者wake-sleep算法进行微调，得到训练好的神经网络模型。

5.根据权利要求4所述的方法，其特征是，所述的训练样本包括：输入向量和标签，输入向量经过逐层变换，在输出层输出，得到实际输出向量。

6.根据权利要求1所述的方法，其特征是，所述的识别包括：将待识别二维图像数据输入训练好的CDBNs模型中，得到输出向量从而识别图像的类别。

7.根据权利要求1或6所述的方法，其特征是，所述的识别包括：

7.1：获取二维图像数据，对图像的分辨率进行调整，使其适合网络的输入，我们使用的分辨率大小为28*28，然后对图像进行灰度化，归一化预处理；

7.2：得到预处理之后的图片，输入到已经训练好的CDBNs神经网络中，等待输出，取输出向量最大值得行号为识别结果，即完成图像的识别。

8.一种实现上述任一权利要求所述方法的系统，其特征在于：CDBNs神经网络模块及二维图像识别模块，其中CDBNs网络模块把CDBNs训练成一个能识别图像类别的分类器，二维图像识别模块完成图像识别工作。