[发明专利]一种应用于深度学习的特征提取方法及系统

说明书

本发明公开了一种应用于深度学习的特征提取方法及系统，对现有深度学习计算方式进行了改进，现有技术中，深度学习中的特征提取需要将一组待特征提取的数字信号与滤波器的数字信号进行卷积，本发明将前述两种数字信号形式转换为光信号形式，此时光信号形式可简便地转换为频域，时域上的卷积等同于其对应频域上的点乘，时域上的卷积很复杂，频域点乘的运算会简单很多，本发明可有效减小深度学习计算量，且部分运算转换为光计算后，这部分计算速度即变为光学，计算时间大幅缩小。

技术领域

本发明涉及人工智能领域，尤其涉及一种应用于深度学习的特征提取方法及系统。

背景技术

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习中一种基于对数据进行表征学习的方法，在高速发展的科技环境中，其越来越多地被应用在人工智能、面部识别、虹膜识别等机器学习领域。人类也在不断探索在深度学习中如何更快地进行特征提取。

目前深度学习中卷积神经网络由输入层、卷积层、激活函数、池化层、全连接层组成，卷积层用于提取技术特征，在深度学习卷积运算里，特征提取的基本原理是采用不同的滤波器与一组待特征提取的数据进行空域上的矩阵卷积运算。若待特征提取的数据为X,滤波器为Y，则特征提取后的信息则为但是，在矩阵卷积运算过程中计算复杂、计算量大、计算耗时长。因此，目前一般在计算机中将待特征提取的数据与滤波器进行傅里叶变换，从而将两组数据的空域/空域信息变换为频谱信息；相应地，空域/空域上的卷积运算便转换为频谱上的点乘运算，而点乘运算的计算量则会小很多。但即便进行傅里叶变换，也是在计算机的程序中完成，其变换时间也是由计算机性能及数据量决定。计算机性能越强，变换速度越快；数据量越大，变换速度越慢。如果要使深度学习计算能力提高，只有不断投入性能更强更多的计算机硬件，其成本高，效率低。

发明内容

本发明的目的是提供一种应用于深度学习的特征提取方法及系统，解决在有限计算机性能及数量的情况下，如何实现提升深度学习计算效率的问题。

为了实现上述发明目的，本发明提供了一种应用于深度学习的特征提取方法，包括：将待特征提取的数字信号和其对应的滤波器的数字信号分别通过显示技术转换为待特征提取的空域图像信息和滤波器的空域图像信息；将所述待特征提取的空域图像信息和所述滤波器的空域图像信息分别通过光学傅里叶变换装置转换为待特征提取的频谱图像信息和滤波器的频谱图像信息，并分别通过光探测器将所述待特征提取的频谱图像信息和滤波器的频谱图像信息输出至处理器中进行点乘运算得到特征提取后的频谱图像信息。

优选的，所述方法还包括：将所述特征提取后的频谱图像信息进行傅里叶逆变换得到特征提取后的数字信号。

优选的，所述显示技术包括光纤扫描显示、OLED显示、LCD显示、LCoS显示和DLP显示中的一种。

相应的，本发明还提供了一种应用于深度学习的特征提取系统，包括：显示模组、光学傅里叶变换装置、光探测器和处理器，其中：所述显示模组用于将待特征提取的数字信号和其对应的滤波器的数字信号分别转换为待特征提取的空域图像信息和滤波器的空域图像信息；所述光学傅里叶变换装置用于将所述待特征提取的空域图像信息和所述滤波器的空域图像信息分别转换为待特征提取的频谱图像信息和滤波器的频谱图像信息；所述光探测器用于将所述待特征提取的频谱图像信息和滤波器的频谱图像信息光电转换后输出至所述处理器中进行点乘运算，得到特征提取后的频谱图像信息。

优选的，所述显示模组采用时分复用方式将待特征提取的数字信号和其对应的滤波器的数字信号分别转换并显示为待特征提取的空域图像信息和滤波器的空域图像信息。

优选的，所述显示模组、光学傅里叶变换装置和光探测器分别为两套，一套用于处理待特征提取的信息数据，另一套用于处理滤波器的信息数据。