[发明专利]数据分类模型优化方法及分类方法

说明书

本发明公开了一种数据分类模型优化方法及分类方法，通过遗传算法对卷积神经网络中的每一层权重进行迭代更新，能够更快的找到卷积神经网络的最优权重；经过实验验证，本发明提供分类模型在训练次数达到500次左右即可达到最优，有效改善了卷积神经网络在分类时陷入局部极小、收敛速度慢的问题；并且本发明提供的分类方法的分类精度相比较传统卷积神经网络具有更高的准确率。

技术领域

本发明涉及分类模型优化及分类方法，具体涉及一种数据分类模型优化方法及分类方法。

背景技术

卷积神经网络是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像进行处理处理。卷积神经网络包括卷积层和池化层。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在CNN的一个卷积层中，通常包含若干个特征平面(featureMap)，每个特征平面由一些矩形排列的的神经元组成，同一特征平面的神经元共享权重，这里共享的权重就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权重。共享权重(卷积核)带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。

目前已经有研究学者利用遗传算法对卷积神经网络进行优化，包括：利用遗传算法对卷积神经网络的权重进行初始化，在采用后向传播的方法对网络进行权重更新，该方法可以提高网络的图像分类精度，但该方法并未提升网络的收敛速度。还有利用遗传算法对卷积神经网络的卷积核数量、卷积核尺寸及池化核尺寸进行优化，自动判别网络参数最优，该方法可以有效改善卷积神经网络陷入局部极小的问题，提升网络的训练效率，但该方法对于分类精度的提升不大。

发明内容

本发明的目的在于提供一种数据分类模型优化方法及分类方法，用以解决现有卷积神经网络容易陷入局部极小和收敛速度慢的问题。

为了实现上述任务，本发明采用以下技术方案：

一种数据分类模型优化方法，用于对基于卷积神经网络的数据分类模型进行优化，包括以下步骤：

步骤1、初始化卷积神经网络，生成每一层的初始权重，其中为第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。

进一步地，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；