[发明专利]一种基于改进PCA的深度网络图像分类方法

权利要求书

1.一种基于改进PCA的深度网络图像分类方法，其特征在于，包括以下步骤：

步骤1：将CIFAR-100图像数据集中的m张图像输入到深度卷积神经网络模型中，进行灰度、滤波预处理，消除噪声干扰，得到每张图像的原始特征；

步骤2：搭建深度卷积神经网络模型中的特征提取模块，利用搭建好的特征提取模块提取每张图像的图像特征；

步骤3：对每张图像的图像特征进行改进PCA降维处理，所述改进PCA降维处理是指首先将每张图像的图像特征通过图像信息熵进行初步筛选，然后对初步筛选后的图像特征进行PCA降维处理，具体表述为：

步骤3.1：利用公式(1)计算已提取的图像特征的图像信息熵H，并根据信息熵阈值初步筛选图像特征；

式中，H表示图像特征的图像信息熵，p_s表示每张图像中第s个灰度值对应的概率值，n表示输入的每张图像的灰度值总个数；

步骤3.2：对初步筛选得到的每张图像的图像特征进行PCA降维处理；

步骤4：将降维处理后的图像特征Y输入Softmax分类器完成分类处理，输出图像类别的结果作为真实分类结果；

步骤5：训练时的深度卷积神经网络模型的损失函数选择为交叉熵损失函数，根据交叉熵损失函数计算预测分类结果和真实结果之间的差值H(p,q)，所述交叉熵损失函数表示为：

式中，p(m)表示预测分类结果，q(m)表示真实分类结果；

步骤6：如果预测分类结果跟真实结果之间的差值H(p,q)大于期望的差值H'(p,q)，则通过深度卷积网络反向传播算法将交叉熵损失函数反向传播，不断调整网络权值w_uv，直到计算的预测分类结果跟真实结果之间的差值H(p,q)小于等于期望的差值H'(p,q)，或者是达到预设训练次数M为止，其中u表示前一层的第u个神经元，v表示后一层的第v个神经元。

2.根据权利要求1所述的一种基于改进PCA的深度网络图像分类方法，其特征在于，所述步骤2中的特征提取模块，具体表述为：根据CIFAR-100图像数据集将深度卷积神经网络模型的层数设计为13层，所述13层包括L₂～L₁₄层，其中L₁表示输入层，L₂～L₁₄层卷积核个数依次分别为64，64，128，128，256，256，256，512，512，512，512，512，512，L₂～L₁₄层的卷积核大小均为3*3，池化方式选择为Maxpool，激活函数选择为ReLU。

3.根据权利要求1所述的一种基于改进PCA的深度网络图像分类方法，其特征在于，所述步骤3.2具体表述为：

3.2.1)将初步筛选得到的每张图像的图像特征矩阵中心化处理；

3.2.2)计算中心化处理后的图像特征的不同维度之间的协方差，并构成维数为m的协方差矩阵；

3.2.3)计算每个协方差矩阵的特征值及特征值对应的特征向量；

3.2.4)首先根据实际情况确定贡献率f的大小值，然后利用公式(3)确定需要保留的K个特征值；

式中，λ_j表示每个协方差矩阵中需要保留的第j个特征值，K表示每个协方差矩阵中需要保留的特征值总个数，λ_i表示每个协方差矩阵的第i个特征值，m表示每个协方差矩阵中的特征值总个数；

3.2.5)通过保留的K个特征值对应的特征向量组成变换基底P，根据交换基底P，利用公式(4)完成降维处理；

Y＝P^TX                                   (4)

式中，Y表示降维处理后的图像特征，P^T表示交换基底P的转置矩阵，X表示中心化处理后的图像特征。