[发明专利]一种基于Hausdorff-RMSprop算法的图像识别方法

权利要求书

1.一种基于Hausdorff-RMSprop算法的图像识别方法，其特征在于，包括如下步骤：

步骤1，设定神经网络；

步骤2，通过反向传播方法更新网络Hausdorff差分的权重和偏置；

步骤3，根据所述的分数阶的权重和偏置，进行网络训练；

步骤4，通过Hausdorff-RMSprop算法进行图像识别，得到阶次为γ∈(0.1,0.9)的Hausdorff-RMSprop算法进行图像识别。

2.根据权利要求1所述的一种基于Hausdorff-RMSprop算法的图像识别方法，其特征在于，所述的步骤1中，具体方法为：

步骤1-1)设定卷积神经网络的模型，所述的神经网络包括输出层、卷积层、池化层、全连接层、输出层；

步骤1-2)设定卷积层的权重和偏置为{w,b}，其中w表示权重，b表示偏置。

3.根据权利要求1所述的一种基于Hausdorff-RMSprop算法的图像识别方法，其特征在于，所述的步骤2中，具体方法为：

步骤2-1)对网络进行设定初始化的权重和偏置为{w(1),b(1)}；

步骤2-2)设置初始迭代次数为k＝1；

步骤2-3)对卷积神经网络进行优化；

步骤2-4)根据k＝k+1更新迭代次数；

步骤2-5)RMSprop算法通过将整数阶替换为分数阶Hausdorff差分，并得到Hausdorff差分的权重和偏置，重复步骤2-3)，到满足误差梯度为止。

4.根据权利要求3所述的一种基于Hausdorff-RMSprop算法的图像识别方法，其特征在于，所述的步骤2-3)中整数阶卷积神经网络的随机梯度下降法中权重和偏置的表达公式：

其中，为表示在第k次迭代的第l层的第j个特征图映射的第i个区域的权值,表示为第k次迭代的第l层的第j个特征图所对应的偏置，η表示学习率，J(k)是第k次迭代的目标函数，和是分别是第k次迭代的第l层的权重和偏差的动量信息。

5.根据权利要求3所述的一种基于Hausdorff-RMSprop算法的图像识别方法，其特征在于，Hausdorff差分公式如下：

当γ＝1，其中γ∈(0,1]，γ表示的是函数的阶次。

6.根据权利要求5所述的一种基于Hausdorff-RMSprop算法的图像识别方法，其特征在于，

Hausdorff-RMSprop权重和偏置公式如下：

其中

为表示在第k次迭代的第l层的第j个特征图映射的第i个区域的权值信息,表示为第k次迭代的第l层的第j个特征图所对应的偏置信息。

7.根据权利要求1所述的一种基于Hausdorff-RMSprop算法的图像识别方法，其特征在于，所述的步骤3)中，具体方法如下：

步骤3-1)为了体现识别精度的变化，选择CIFAR-10数据集作为训练的数据集；

步骤3-2)选择γ∈(0.1,0.9)，γ＝1时进行训练。