[发明专利]一种基于竞争的挤压和激励神经网络的舌苔体质分类方法

权利要求书

1.一种基于竞争的挤压和激励神经网络的舌苔体质分类方法，其特征在于，包括步骤：

S1、对带标签的舌苔图片进行预处理，制作训练数据集与测试样本集；

S2、设计基于竞争的挤压和激励网络结构块：将恒等流信息引入挤压和激励结构，让恒等流和残差流进行自适应竞争，得到残差流卷积通道间的关系信息后再调整残差流信息，最后融合恒等流信息和调整后的残差流信息，作为该挤压和激励网络结构块的输出；设计基于竞争的挤压和激励″′

网络结构块时，定义输入的恒等流信息为X∈R^W×H×C,W′和H′分别为信息流通道的宽和高，C′为信息流的通道数，则残差信息流为U＝_tr(X,W_r)∈R^W×H×C，其中F_tr(X,W_r)表示残差块中两层卷积层的变换函数，W和H分别为信息流通道的宽和高，C为信息流的通道数；如果恒等流X和残差流U的维度一致，则恒等流信息将被转换为其中F_id(X,W_id)为一层1×1卷积核的卷积层变换函数，否则则包括步骤：

S21、将恒等流和残差流分别经过全局平均池化处理，即挤压处理：定义U＝[u¹,2,…,^C]，则全局平均池化操作为：

S22、然后用一个轻量级小网络对这两条被挤压后的信息进行建模，从而得到残差流的通道建模信息：所述轻量级小网络起激励作用，该轻量级小网络的输出即为残差流的通道建模关系，其中和分别为残差流U和恒等流被全局平均池化后的结果；所述轻量级小网络的构建采用如下建模方法之一：

(1)采用双全连接的建模法，包括步骤：

让信息流通过一层全连接层，得到输出其中r为压缩系数，该全连接层的输入为C个神经元，输出为个神经元激活函数为Relu函数，让信息流通过另一个结构一样的全连接层得到输出

进行拼接操作，将′拼接一起，得到输出为向量再用一个全连接层对进行再建模，该全连接层的输入为个神经元，输出为C个神经单元，激活函数采用Sigmoid函数，从而得到该挤压和激励结构的输出

(2)采用2×1的卷积核的建模法，包括步骤：

进行Reimage操作，将两条信息流合并成一张图：

这时再用个卷积核大小为2×1的卷积对图进行卷积，并对得到的个R^C大小的卷积图取均值得到一张R^C大小的均值图，再拉伸得到向量v_s∈R^C；

接着用两层全连接层来对v_s进行再建模，其中第一层全连接层的输入是C个神经元，输出为个神经元，激活函数采用Relu函数；第二层的全连接层的输入是个神经元，输出是C个神经单元，激活函数采用Sigmoid函数，从而得到该挤压和激励结构的输出

(3)采用1×1的卷积核的建模法，包括步骤：

进行Reimage操作，将两条信息流合并成一张图：

这时再用个卷积核大小为1×1的卷积对图进行卷积，并对得到的个R^2×C大小的卷积图取均值得到一张R^2×C大小的均值图，再拉伸得到向量v_s∈R^2C；

接着用两层全连接层来对v_s进行再建模，其中第一层全连接层的输入是2个神经元，即v_s，输出为个神经元，激活函数采用Relu函数；第二层的全连接层的输入是个神经元，输出是C个神经单元，激活函数采用Sigmoid函数，从而得到该挤压和激励结构的输出

S23、残差流为U＝_tr(X,W_r)∈R^W×H×C，根据所得的激励值为则经过激励后的残差信息流为：

S24、最后将残差信息流和恒等流信息相加进行融合，完成该基于竞争的挤压和激励网络结构块的流程，得到该结构块的输出：

S3、构造基于竞争的挤压和激励神经网络，并用训练数据集进行训练；

S4、将测试样本舌苔图片传入训练好的网络模型，识别出该舌苔图片对应的体质类型。