[发明专利]一种基于模糊和去冗余的受限玻尔兹曼机图像分类方法

权利要求书

1.一种基于模糊和去冗余受限玻尔兹曼机的图像分类方法，该方法采用预训练好的图像分类模型对图像进行处理，获取图像分类结果，其特征在于，所述图像分类模型包括模糊受限玻尔兹曼机、去冗余受限玻尔兹曼机和支持向量机，所述图像分类结果的获取包括以下步骤：

S1：模糊受限玻尔兹曼机对待分类图像进行特征提取，获取图像特征；

S2：对提取出的图像特征进行去冗余，获取去冗余图像特征；

S3：去冗余受限玻尔兹曼机对去冗余图像特征进行处理，获取降维图像特征；

S4：支持向量机对降维图像特征进行处理，获取图像分类结果。

2.根据权利要求1所述的一种基于模糊和去冗余的受限玻尔兹曼机图像分类方法，其特征在于，所述模糊受限玻尔兹曼机的建立包括利用三角对称函数对受限玻尔兹曼机的连接权重、可见层偏置和隐藏层偏置进行模糊化，并且将受限玻尔兹曼机的能量函数和概率分布模型替换为模糊化能量函数和自由能量概率模型，最终得到模糊受限玻尔兹曼机。

3.根据权利要求2所述的一种基于模糊和去冗余的受限玻尔兹曼机图像分类方法，其特征在于，所述利用三角对称函数对受限玻尔兹曼机的连接权重进行模糊化的表达式为：

式中，为隐藏层第i个节点与可见层第j个节点连接权重的左边界，为隐藏层第i个节点与可见层第j个节点连接权重的右边界，为隐藏层第i个节点与可见层第j个节点连接权重的中间值，为隐藏层第i个节点与可见层第j个节点的模糊化连接权重表达式，为模糊化连接权重；

同理，分别用可见层偏置a和隐藏层偏置b替换连接权重w得到模糊化可见层偏置和模糊化隐藏层偏置

4.根据权利要求2所述的一种基于模糊和去冗余的受限玻尔兹曼机图像分类方法，其特征在于，所述模糊化能量函数和自由能量概率模型的表达式为：

式中，为模糊化的能量函数，为待优化的参数，x为模糊受限玻尔兹曼机的可见层，h为模糊受限玻尔兹曼机的隐藏层，m为模糊受限玻尔兹曼机可见层的层数，n为模糊受限玻尔兹曼机隐藏层的层数，h为隐藏层神经元状态向量，下标i为层中第i个节点，下标j为层中第j个节点，为自由度函数，F(x,W^L,a^L,b^L)和F(x,W^R,a^R,b^R)分别为自由度函数的左侧和右侧边界的取值，为去模糊化能量函数自由度函数，W^L为模糊受限玻尔兹曼机连接权重的上界，W^R为模糊受限玻尔兹曼机连接权重的下界，a^L为模糊受限玻尔兹曼机可见层偏置的上界，a^R为模糊受限玻尔兹曼机可见层偏置的下界，b^L为模糊受限玻尔兹曼机隐藏层偏置的上界，b^R为模糊受限玻尔兹曼机隐藏层偏置的下界，为自由能量概率，P(h_j＝1|x)为隐藏层第j个节点为1的概率，也即为模糊受限玻尔兹曼机提取的图像特征。

5.根据权利要求1所述的一种基于模糊和去冗余的受限玻尔兹曼机图像分类方法，其特征在于，所述步骤S2中，去冗余图像特征的获取具体为：

S201：设置相似度阈值，获取模糊受限玻尔兹曼机的隐藏层激活状态矩阵；

S202：对隐藏层激活状态矩阵的每个特征列分别进行相似度计算；

S203：基于相似度计算的结果，对超过相似度阈值的特征列，进行去冗余，获取去冗余图像特征。

6.根据权利要求5所述的一种基于模糊和去冗余的受限玻尔兹曼机图像分类方法，其特征在于，所述步骤S203中，去冗余的表达式为：

式中，m为样本个数，为由可见层第p个节点决定的隐藏层第k个节点的激活状态，为由可见层第p个节点决定的隐藏层第l个节点的激活状态。