[发明专利]数据分类模型优化方法及分类方法

摘要

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。

主权项

1.一种数据分类模型优化方法，其特征在于，用于对基于卷积神经网络的数据分类模型进行优化，所述的方法包括：步骤1、初始化卷积神经网络，生成每一层的初始权重，其中wi1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。