[发明专利]一种基于深度学习的硬件图像识别算法的研究方法

摘要

本发明公开了一种基于深度学习的硬件图像识别算法的研究方法，应用RBM或DAE模型进行网络权重预训练，然后将预训练得到的各层权重值作为反向传播算法的权重初始值赋予整个神经网络，最后在利用反向传播算法对整个网络权重进行更新；本发明的有益效果是：数据应用对进一步促进工作效率具有重要意义，节省了大量的时间和精力，提高了图像识别的精确度。

主权项

1.一种基于深度学习的硬件图像识别算法的研究方法，其特征在于，应用RBM或DAE模型进行网络权重预训练，然后将预训练得到的各层权重值作为反向传播算法的权重初始值赋予整个神经网络，最后在利用反向传播算法对整个网络权重进行更新，包括如下步骤：步骤一：向输入层单元内输入图像特征v，确定图像标签信息为网络输出节点t，应用RBM模型进行预训练，神经网络输入单元v∈RN，确定应用GBRBm为深度神经网络第一层网络结构h1，两层应用常规RBM为神经网络第二层网络结构h2与神经网络第三层网络结构h3；步骤二：网络模型在进行图像信息分类时，设定监督向量位数目为类别数目M，其所对应样本类别为k，确定输出层第k维为1，而其余维数为0，应用反向传播算法进行分析，利用神经网络计算实际输出和监督向量差异对网络收敛程度进行衡量，在达到训练次数要求后停止训练；步骤三：训练结束后将得到的数据结果输入到神经网络内，确定输出层最大节点位置为样本预测类别；对图像信息进行分类时，将样本多类别信息对应监督向量的维数设置成1，并以逻辑斯蒂克函数替换softmax函数作为输出层激励函数，并对输出层得到的结果进行排序，排序中靠前类别作为神经网络对图像样本信息的预测结果；步骤四：图像标签频率引入到监督信息中，对神经网络监督向量进行调整更改；步骤五：利用卷积神经网络实现图像的自动标注，为实现图像特征的可靠提取，应先对目标彩色图片进行灰度化处理，并利用双线性插值算法对图片进行缩放，利用卷积核对图像进行卷积处理，确定处理后图像各图征图大小，各图像组成图像测试数据集，神经网络权值在模型迭代次数不断增加的过程中持续变化，最终得到一个趋于理想的数值结果。