[发明专利]一种基于神经网络深度学习的图像识别并推荐认知的方法

权利要求书

1.一种基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，包括以下步骤：(ⅰ)廿层神经网络模型训练提取：

使用多类别图像数据库中的带分类标签图像输入到廿层卷积神经网络，进行监督学习，获取逐层的代表性特征，并于第二十层输出层取得预测结果和全局损失函数值，下称前向传播；

通过softmax回归收敛分类计算损失函数关于权重和偏置参数矩阵数集的偏导数，并对这些权重和偏置参数进行梯度下降优化，这个梯度下降优化过程，以下称为反向传播；

用梯度下降优化后更新了的权重和偏置参数矩阵数集进行新一轮的前向传播计算，来回不停地进行前向传播和反向传播，来训练更新权重和偏置参数矩阵数集使损失函数越来越小，使预测越来越精准，达到提高图像识别精度的效果；

直到找到全局损失函数的最优值，根据整个训练集的监督学习所得的训练精度，而提取合适的廿层神经网络模型；

(ⅱ)输入无标签图像到廿层神经网络模型进行深度学习聚类，提取图像代表性特征，分类图片，输出图像识别分类结果；

(ⅲ)图像识别的分类输出结果，结合对图像输入者个性化特征，如位置、时间、拍摄习惯、年龄、性别等事前采集的数据库，采用决策树算法进行分析并得出图像输入者的兴趣概率；

(ⅳ)调取自建的百科知识、教育题材、教学课程、问答试题、游戏、影音等素材的云数据库，根据图像识别分类结果和兴趣概率，采用基于素材云数据库内容的机器学习模型协同过滤进行计算预测的推荐系统算法，计算得出预测结果推送给图像输入者，以使该图像输入者对图像相关知识进行认知学习；

针对所提取的廿层神经网络模型可有效识别的物体分类，建立相关分类物体知识的内容素材云数据库；

机器学习模型利用不同图像输入者录入的相近图像、分类模型产生的兴趣概率、内容标签等特征参数通过协同过滤规则，筛选云数据库的内容素材，把相近特征的内容做初步选择；将上述的位置、时间、代表物体分类的值、年龄、内容标签等个性化特征进行向量化，利用LSTM的长短期记忆效应搭建分布式模型；并加入图像输入者的年龄、知识内容偏好参数及偏置参数来进行推荐的去噪音编码处理；

模型不断进行在线学习以及增量学习，不断优化提高推荐系统的效果及推荐效率；

依据推荐系统算法计算得出的预测结果，将图像输入者可能有兴趣的知识素材推送关联链接，让图像输入者从关联链接中选择相关素材进行学习。

2.根据权利要求1所述的基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，所述的廿层神经网络模型训练提取，包括：

建构的廿层卷积神经网络包括输入层、十九层隐藏层、输出层，输入层图像数据输入，在十九层隐藏层经过自上而下的监督学习，图像经过卷积、池化、边缘填充、激活等处理提取图像特征，最后进行收敛分类并输出结果；

隐藏层中每一层的输出，均通过逻辑回归下的梯度下降求解最优值，对每一层的参数进行微调，提高特征提取精度。

3.根据权利要求1所述的基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，所述的带分类标签图像和无标签图像，均为使用数码摄影设备静态采集的图片。

4.根据权利要求1所述的基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，所述的兴趣概率分析为通过构建兴趣分析的浅层神经网络模型实现。

5.根据权利要求1所述的基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，所述的推荐系统的机器学习模型为经过去噪音编码处理的神经网络模型。

6.根据权利要求1所述的基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，所述的带分类标签图像，其种类包括：动物、植物、文体用品、生活日用品、食品、货币、数码家电、汽车品牌、手势、交通标志、世界名画、乐器、国旗、知名旅游景点、数字、字母、儿童玩具、卡通人物、著名商标；并且，前述种类会因廿层卷积神经网络模型对图像数据库训练集的增加分类进行增量学习而得到扩充。