[发明专利]一种基于稀疏正交神经网络的图像分类方法

权利要求书

1.一种基于稀疏正交神经网络的图像分类方法，其特征在于，包括以下步骤：

步骤1，获取图像数据作为样本集X和与之对应的样本标签集Y；

步骤2，先将样本集X和标签集Y的训练集输入稀疏正交神经网络模型，初始化代理变量V，根据正交权重W_orth和稀疏矩阵G获得稀疏正交权重W_{orth_es}，再通过设定遍历次数计算图像样本预测值跟真实值之间的损失Loss，反向传播更新代理变量V后，直到输出最优的稀疏正交权重W_{orth_es}，从而获得训练好的稀疏正交神经网络模型；

步骤3，再利用训练后的稀疏正交神经网络模型对测试集进行处理输出图像的分类结果；

所述初始化代理变量V的方法为：对V做一个中心化处理：其中，1_d是一个全都是1的d维向量；

获得正交权重W_orth的方法为：先构建正交模型：

min_ptr((W-Vc)(W-Vc)^T)

s.t.W＝PVc and WW^T＝I

由正交模型得到P＝DΛ^-1/2D^T；

得到正交的权重W_orth为：W_orth＝PVc＝DΛ^-1/2D^TVc；其中，W为权重，I为单位矩阵，D为VcVc^T的特征向量矩阵，Λ为Vc Vc^T特征值矩阵；

所述稀疏矩阵G表示为：

其中，λ为正则化参数，w_g为一组权重向量，w_g,i为一组权重向量中的单个元素；

获得所述稀疏正交权重W_{orth_es}的方法为：在正交模型中添加稀疏矩阵G，使得正交模型变的稀疏，表示如下：

min_ptr((WG-Vc)(WG-Vc)^T)

s.t.WG＝PVc and WG²W^T＝I

由于W＝w_g,iG^-1；将正交的权重W_orth代入上式，得到稀疏正交权重W_{orth_es}表达式：

所述损失Loss的计算方法为：Loss＝F(Y_predict,Y)；其中，Y_predict为预测标签结果，Y为真实值；

所述反向传播更新代理变量V的方法为：

其中，L为损失Loss，V为代理变量。

2.根据权利要求1所述的一种基于稀疏正交神经网络的图像分类方法，其特征在于，所述步骤3的处理过程为：根据Y_predict＝W_{orth_es}^TX_test，获得图像测试集的预测标签结果Y_predict，从而实现对图像的分类。