[发明专利]一种基于图像的模型融合的神经网络结构训练方法在审
| 申请号： | 201710845881.0 | 申请日： | 2017-09-19 |
| 公开（公告）号： | CN109522914A | 公开（公告）日： | 2019-03-26 |
| 发明（设计）人： | 张伟;刘英丽;黄昊;王康;何旭;高升 | 申请（专利权）人： | 中国科学院沈阳自动化研究所 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/08 |
| 代理公司： | 沈阳科苑专利商标代理有限公司 21002 | 代理人： | 李巨智 |
| 地址： | 110016 辽*** | 国省代码： | 辽宁;21 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 神经网络结构 模型融合 目标函数 网络结构 原始神经 数据集 子集 训练神经网络 动量 全局最优解 输出数据集 采集图像 泛化性能 图像特征 训练结果 表现 减小 物理学 收敛 图像 改进 | ||
1.一种改进的模型融合的神经网络结构训练方法，其特征在于：包括以下步骤：
步骤1：采集图像，形成数据集，根据图像特征确定原始神经网络结构；
步骤2：将数据集划分为若干个子集，并且改变原始神经网络结构，得到若干个模型，使得到的模型个数与子集个数相同；
步骤3：采用划分后的子集分别训练对应的模型，得到每个模型的表现值；
步骤4：计算每个模型的表现系数，并根据表现系数输出数据集训练结果。
2.根据权利要求1所述的改进的模型融合的神经网络结构训练方法，其特征在于：所述图像特征包括：图像的长度、宽度和格式。
3.根据权利要求1所述的改进的模型融合的神经网络结构训练方法，其特征在于：所述改变原始神经网络结构包括改变原始神经网络结构中的隐藏单元数目、层数、卷积层的滤波器的大小以及激励函数的形式。
4.根据权利要求1所述的改进的模型融合的神经网络结构训练方法，其特征在于：所述表现值为测试集的泛化能力，即，每个模型在测试集上的误差与训练集上的误差的近似程度。
5.根据权利要求1所述的改进的模型融合的神经网络结构训练方法，其特征在于：所述表现系数为：
其中，Gj是第j个模型的泛化能力，G是测试集的泛化能力，weightj是第j个模型的表现系数。
6.根据权利要求1所述的改进的模型融合的神经网络结构训练方法，其特征在于：所述根据表现系数输出数据集训练结果包括以下过程：
其中，p是数据集训练结果，Pi是第i个模型的训练结果，weighti是第i个模型的表现系数。
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中国科学院沈阳自动化研究所，未经中国科学院沈阳自动化研究所许可，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/pat/books/201710845881.0/1.html，转载请声明来源钻瓜专利网。
