[发明专利]基于滑齿法的神经网络的模板匹配方法

说明书

本发明公开一种基于滑齿法的神经网络的模板匹配方法，包括以下步骤：根据误差反向传播的神经网络的制定规则，将网络结构分为输入层、隐藏层和输出层；在隐藏层中设定第一误差范围、最大训练次数和第二误差范围并初始化；根据数据分块机制，输入的数据进行相似性检测后被分割成多个数据块；利用滑齿法匹配被处理的数据；判断网络节点的误差和模板匹配的误差是否分别落在第一误差范围和第二误差范围内，或者，模板匹配的误差是否在第二误差范围内且达到最大训练次数；如是，则输出结果；否则修正滑齿的权值，重复执行以上步骤，直到输出结果。本发明进一步改善了模板匹配精度，提升了运行时间以及算法稳定性。

技术领域

本发明涉及大数据处理技术领域，特别涉及基于滑齿法的神经网络的模板匹配方法。

背景技术

云计算、物联网等新兴技术的快速发展促使数据的规模正以前所未有的速度增长，大数据时代已经开始到来。但是在海量的复杂的极度冗余的数据中，难以快速及时有效获取有价值的信息。因此需要能够快速、准确的发现有价值的信息，提取有效信息并将这些有价值的信息组织起来，得到一个有效的解决方案。大数据中基于神经网络的模板匹配方法是通过智能的对数据进行分析和分类，根据已知需求设定需要的信息模板，然后利用这个算法快速对海量数据进行数据的模板匹配，快速获取有效信息。然而，目前大部分模板匹配算法是根据事件重要性的顺序进行匹配搜索，由于节点需要记录多个相同的事件，从而保持排序的一致性，导致节点需要多次重复处理相似的信息，并给缓存计算带来了极大的压力导致无法应用于实时性较高的场合。

发明内容

鉴于上述现有技术的不足之处，本发明提出一种基于滑齿法的神经网络的模板匹配方法，利用权值修正的滑齿法误差反向传播的神经网络的模板匹配算法对输入的数据进行分类、学习和模板数据匹配。

基于滑齿法的神经网络的模板匹配方法，包括以下步骤：

步骤1、根据误差反向传播的神经网络的制定规则，将网络结构分为输入层、隐藏层和输出层；

步骤2、在所述隐藏层中设定第一误差范围、最大训练次数和第二误差范围并初始化，所述第一误差范围为所述神经网络可接受的误差范围，所述第二误差范围为模板匹配值可接受的误差范围；

步骤3、根据数据分块机制，输入的数据进行相似性检测后被分割成多个数据块；

步骤4、利用滑齿法匹配被处理的数据；

步骤5、判断网络节点的误差和模板匹配的误差是否分别落在所述第一误差范围和所述第二误差范围内，或者，模板匹配的误差是否在所述第二误差范围内且达到最大训练次数；如是，则输出结果；否则执行步骤6；

步骤6、修正所述输入层的网络权值；

步骤7、重复执行步骤4～步骤6，直到输出结果。

步骤3的具体过程为：利用相似性检测算法，计算输入节点数据与模板中相应点的绝对误差值，将各输入数据点的绝对误差值累加，直到超过设定阈值，停止累加并计算此数据块的相似性均值，此时所述相似性均值大于预期值，停止分割数据。

步骤4的具体过程为：在网络训练阶段，输出信号与期望输出相比较得到误差信号，所述误差信号从所述输出层逐级反馈到所述隐藏层和所述输入层，并动态修正所述隐藏层和所述输入层的权值。

本发明通过对海量数据进行数据的相似性检测，确定分割的数据块的大小；利用权值修正的滑齿法误差反向传播的神经网络的模板匹配算法对输入的数据进行分类、学习和模板数据匹配；使用平均绝对差参数确定数据匹配程度，得到模板匹配的数据信息，来加速匹配过程中的算法速度和精度，并提高算法的稳定性。进一步改善了模板匹配精度，提升了运行时间以及算法稳定性。

附图说明

图1为基于滑齿法的神经网络的模板匹配的网络模型；