[发明专利]基于核空间的深度散射卷积网络学习方法和系统

权利要求书

1.一种基于核空间的深度散射卷积网络学习方法，其特征在于，包括：

参数化小波生成步骤：该步骤以随机化参数构造小波滤波器组；

多核学习步骤：该步骤基于参数化小波生成步骤构造的小波滤波器组对训练数据 集进行散射卷积网络的分解，并采用多核学习算法选择最优卷积路径；

散射分解步骤：该步骤基于多核学习步骤选择的最优卷积路径对测试数据集进行 散射分解，所得的分解系数在支持向量机分类被分类。

2.根据权利要求1所述的一种基于核空间的深度散射卷积网络学习方法，其特 征是，所述的参数化小波生成步骤：通过随机化的变换参数对复小波基进行伸缩及旋 转变换构造小波滤波器组。

3.根据权利要求1所述的一种基于核空间的深度散射卷积网络学习方法，其特 征是，所述的多核学习步骤：基于最大化间距准则和一对多策略联合优化散射卷积网 络与支持向量机，并将该联合优化问题转化为多核学习问题。

4.根据权利要求3所述的一种基于核空间的深度散射卷积网络学习方法，其特 征是，所述的多核学习步骤，具体实现如下：

S1、更新参数化小波生成步骤的随机化参数，构造小波滤波器组对训练数据集进 行散射卷积网络的分解，用分解结果中每条卷积路径的系数分别构建高斯核；

S2、通过广义多核学习算法计算当前高斯核集合中每个核的组合权值，基于活动 集准则去除集合中权值为零的非活动核，并计算加权积形式的组合核；

S3、重复S1，结合所得的新生成的高斯核与S2中得到的组合核，计算当前解是 否满足KKT条件，若满足则根据S2中的高斯核集合推导对应的卷积路径，作为局部 最优解输出；否则在新生成的高斯核中选出一个违背KKT条件的核以零初始权值加入 S2选出的活动核集合中，并转到S2。

5.根据权利要求4所述的一种基于核空间的深度散射卷积网络学习方法，其特 征是，所述的散射卷积网络的分解，是指：由小波滤波器组迭代地对信号进行卷积分 解，每条卷积分解路径有不同的小波伸缩或旋转参数且卷积次数m≤2，每次卷积后 进行复数取模操作，最后进行高斯低通滤波，结果为该卷积路径的分解系数。

6.根据权利要求1-5任一项所述的一种基于核空间的深度散射卷积网络学习方 法，其特征在于，所述的散射分解步骤：汇总学到的散射分解路径对测试数据集进行 分解，并对分解系数取对数非线性变换，分离光照变化引入的低频乘积部分。

7.根据权利要求1-5任一项所述的一种基于核空间的深度散射卷积网络学习方 法，其特征是，所述的支持向量机分类，是指：采用一对多策略训练高斯核支持向量 机对散射分解系数进行分类。

8.一种用于实现上述权利要求1-7任一项所述方法的基于核空间的深度散射卷 积网络学习系统，其特征在于，包括：参数化小波生成模块、多核学习模块、散射分 解模块和支持向量机分类模块，其中：

所述参数化小波生成模块以随机化参数构造小波滤波器组；

所述多核学习模块基于参数化小波生成模块构造的小波滤波器组对训练数据集进 行散射卷积网络的分解，并采用多核学习算法选择最优卷积路径；

所述散射分解模块基于多核学习模块选择的最优卷积路径对测试数据集进行散射 分解，所得的分解系数在支持向量机分类模块被分类。

9.根据权利要8所述的一种基于核空间的深度散射卷积网络学习系统，其特征 是，所述的支持向量机分类模块，该模块采用一对多策略训练高斯核支持向量机对散 射分解系数进行分类。