[发明专利]数据分类模型优化方法及分类方法

权利要求书

1.一种数据分类模型优化方法，其特征在于，用于对基于卷积神经网络的数据分类模型进行优化，所述的方法包括：

步骤1、初始化卷积神经网络，生成每一层的初始权重，其中w_i¹为第i层的初始权重，i≥1；

步骤2、利用卷积神经网络输入以及所有层的初始权重，计算卷积神经网络输出；

步骤3、采用反向传播算法更新每一层的权重，其中为第i层经过反向传播算法更新后的权重；

步骤4、采用遗传算法依次对每一层的权重进行更新，获得第n次更新后的权重，n＝[1,2,…,N]，N≥2，包括：

步骤41、对第i层的权重进行编码，生成染色体种群；

步骤42、在当前染色体种群中选择适应度最小的染色体作为父代染色体；

步骤43、利用所述的父代染色体进行交叉、变异，生成新染色体种群；

步骤44、重复执行M次步骤42-43，生成最终染色体种群，M≥1；

步骤45、在所述最终染色体种群中选择适应度最小的染色体作为最优染色体；

步骤46、将所述的最优染色体进行解码，获得第i层第n次更新后的权重

步骤5、判断权重更新次数n是否大于更新次数阈值N：

若权重更新次数n大于等于更新次数阈值N，则停止更新权重，将每一层第N次更新后的权重代入数据分类模型中，获得优化后的数据分类模型；

若权重更新次数n小于更新次数阈值N，则n＝n+1，返回步骤4。

2.如权利要求1所述的数据分类模型优化方法，其特征在于，所述的步骤1、初始化卷积神经网络，生成每一层的初始权重，包括：

步骤11、为所述卷积神经网络的每一层随机给定一组随机数作为随机权重；

步骤12、对每一层的随机权重采用遗传算法进行一次更新，生成初始权重。

3.如权利要求1所述的数据分类模型优化方法，其特征在于，所述的步骤3、采用梯度下降法更新每一层的权重。

4.如权利要求1所述的数据分类模型优化方法，其特征在于，采用二进制形式对权重进行编码以及对最优染色体进行解码。

5.如权利要求1所述的数据分类模型优化方法，其特征在于，利用锦标赛选择方法选择适应度最小的染色体作为父代染色体。

6.如权利要求1所述的数据分类模型优化方法，其特征在于，采用卷积神经网络各层的实际输出与目标输出之间误差的绝对值作为适应度计算函数。

7.一种数据分类方法，其特征在于，利用权利要求1-6任一项所述的优化后的数据分类模型对待分类数据进行分类。