[发明专利]一种向量核卷积神经网络的深度学习模式识别方法在审
| 申请号： | 201710665575.9 | 申请日： | 2017-08-07 |
| 公开（公告）号： | CN107563496A | 公开（公告）日： | 2018-01-09 |
| 发明（设计）人： | 李玉鑑;欧军 | 申请（专利权）人： | 北京工业大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04 |
| 代理公司： | 北京思海天达知识产权代理有限公司11203 | 代理人： | 沈波 |
| 地址： | 100124 *** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种向量核卷积神经网络的深度学习模式识别方法，所述方法包括(1)设计向量核卷积神经网络的结构，包括输入层、卷积层、至少一个全连接层、以及软最大分类器输出层；其中，输入是大小为m×n的图像，第l层的核都是pl×1大小的向量或者都是1×ql大小的向量，Nl表示第l层的卷积核个数；根据经验选择pl(或ql)和Nl的值，第l层的卷积运算步长为sl(sl≥1)，激活函数都选为校正线性单元；(2)设定卷积神经网络的迭代次数，选择代价函数，利用训练样本{(x1,y1),…,(xD,yD)}，根据反向传播算法，对向量核卷积神经网络的参数进行学习；(3)判断是否完成迭代次数，如果没有完成，则继续训练；如果完成迭代次数，则将测试样本输入训练好的网络模型中进行测试，得到测试结果。 | ||
| 搜索关键词： | 一种 向量 卷积 神经网络 深度 学习 模式识别 方法 | ||
【主权项】：
一种向量核卷积神经网络的深度学习模式识别方法，其特征在于：该方法包括以下步骤，(1)设计向量核卷积神经网络的结构，该结构包括输入层L，1≤L≤2000个卷积层、至少一个全连接层、以及软最大分类器输出层；其中，输入层L输入的是大小为m×n，m,n≥1的图像，第l层1≤l≤L的核都是pl×1，1≤pl≤m大小的向量或者都是1×ql，1≤ql≤n大小的向量，Nl表示第l层的卷积核个数，1≤Nl≤5000；根据经验选择pl和Nl或ql和Nl的值，第l层的卷积运算步长为sl，sl≥1，激活函数都选为校正线性单元；(2)设定卷积神经网络的迭代次数Epochs，1≤Epochs≤2000000，选择代价函数，利用训练样本{(x1,y1),…,(xD,yD)}，根据反向传播算法，对向量核卷积神经网络的参数进行学习；(3)判断是否完成迭代次数，如果没有完成，则继续训练；如果完成迭代次数，则将测试样本输入训练好的网络模型中进行测试，得到测试结果。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京工业大学，未经北京工业大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201710665575.9/，转载请声明来源钻瓜专利网。
