[发明专利]基于批改痕迹识别的集成学习方法、装置和可读存储介质

权利要求书

1.一种基于批改痕迹识别的集成学习方法，其特征在于，包括：

将图像输入到第一类基分类器和第二类基分类器；

根据所述第一类基分类器对应的第一神经网络层次模型，确定与所述图像对应的第一特征向量；

根据所述第二类基分类器对应的第二神经网络层次模型，确定与所述图像对应的第二特征向量；

对所述第一特征向量和所述第二特征向量进行组合，以使所述第一特征向量和所述第二特征向量被集中化处理，得到处理后的特征值；

根据预设的集成学习策略，生成与所述特征值对应的预测结果。

2.根据权利要求1所述的基于批改痕迹识别的集成学习方法，其特征在于，在所述将图像输入到第一类基分类器和第二类基分类器的步骤之前，还包括：

将未处理图像按照指定角度旋转，以获得预处理后所述图像。

3.根据权利要求2所述的基于批改痕迹识别的集成学习方法，其特征在于，所述根据所述第一类基分类器对应的第一神经网络层次模型，确定与所述预处理的所述图像对应的第一特征向量，具体包括：

获取所述图像的可视化图片的像素分辨率n×n和所述图像的可视化图片的个数m；

提取所述像素分辨率中的像素点值n，并扩大至n倍后，得到其中一个所述输入对象的二维信号；

根据所述输入对象的个数m，确定所述二维信号量级处理后的时序状态值n×n×m；

根据所述第一神经网络层次模型中的记忆筛选结构，提取所述记忆筛选结构中的序列初始值f，以使所述时序状态值被f个所述序列初始值初始化，得到至少一个所述记忆筛选结构中的时序结果1×f；

替换所述记忆筛选结构中的梯度函数，得到新的所述第一神经网络层次模型；

根据所述第一神经网络层次模型，确定与所述时序结果对应的所述第一特征向量。

4.根据权利要求2所述的基于批改痕迹识别的集成学习方法，其特征在于，所述根据所述第二类基分类器对应的第二神经网络层次模型，确定与所述预处理的所述图像对应的第二特征向量，具体包括：

获取所述图像的可视化图片的像素分辨率n×n和所述图像的可视化图片的个数m；

根据所述个数m和所述第二神经网络层次模型中的堆积结构，确定与所述预处理的所述图像对应的m个1×h的所述第二特征向量。

5.根据权利要求1至4中任一项所述的基于批改痕迹识别的集成学习方法，其特征在于，所述第一特征向量和所述第二特征向量分别为至少两个，所述对所述第一特征向量和所述第二特征向量进行组合，以使所述第一特征向量和所述第二特征向量被集中化处理，得到处理后的特征值的步骤之前，还包括：

将至少两个所述第一特征向量在所述第一类基分类器中的隐藏层进行拼接，以使拼接后的所述第一特征向量对应分布在所述第一类基分类器中；

将至少两个所述第二特征向量进行序列化排列，在所述第二类基分类器中的全连接层内对序列化后的所述第二特征向量进行拼接，在所述全连接层对拼接后的至少两个所述第二特征向量进行概率分类，以将分类后的所述第二特征向量对应分布在所述第二类基分类器中。

6.根据权利要求5所述的基于批改痕迹识别的集成学习方法，其特征在于，所述根据所述第一类基分类器对应的第一神经网络层次模型，确定与所述图像对应的第一特征向量；根据所述第二类基分类器对应的第二神经网络层次模型，确定与所述图像对应的第二特征向量的步骤之后，还包括：

设定激活函数的输出均值和输出方差；

接收进入所述激活函数的输出向量值；

将所述输出向量值减去所述输出均值，得到偏移的特征向量；

对所述偏移的特征向量与所述输出方差进行比值计算，计算得到需要修正的偏移量；

按照所述偏移量，对获取的所述第一特征向量和所述第二特征向量进行修正。