[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

说明书

本发明涉及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，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：1)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；2)对提取出的图像特征进行去冗余，获取去冗余图像特征；3)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；4)支持向量机对降维图像特征进行处理，获取图像分类结果。与现有技术相比，本发明改善了图像特征提取的精度、速度以及识别分类的准确度。

技术领域

本发明涉及对不同类型的图像特征进行抽象提取以及自动识别分类的领域，尤其是涉及一种基于模糊和去冗余的受限玻尔兹曼机图像分类方法。

背景技术

如今，世界充满了信息。图像作为人类感知世界的视觉基础，成为人类获取信息、表达信息和传递信息的重要手段。大量的图像采集和处理技术在军事、工业、服务等领域发展迅速。特别是近年来，图像采集也开始成为一些机器人和车辆信息采集的重要手段。随着图像采集精度的提高，高精度、高频率的图像采集设备逐渐发展起来，如何从大量的图像中提取人们需要的信息成为国际研究的热点和难点。因此，为了探索高精度、高速的图像特征提取规律和方法，许多优秀的研究人员致力于图像特征提取和大数据分类。为了提高计算机的学习速度和处理数据的能力，在处理大量高维数据时，需要提取特征来减少数据维数。

受限玻尔兹曼机(RBM)作为许多深度学习算法的基本框架，不仅可以实现有效的特征提取，还可以实现数据降维，提高数据分类精度。传统的RBM虽然可以实现特征提取，但其提取能力有限，并且学习时间长。当图像信息比较庞大且复杂时，很难有效的提取图像中的有效特征。优秀的研究者们通过将RBM内部参数模糊化，扩展了RBM的特征提取的能力，但是会导致学习速度变慢，并且无法实现对特征提取后的图像自动分类。因此，如何在保证图像特征提取精度的条件下提高系统的学习速度，以及如何实现对特征提取的图像进行精确的识别是研究的重点和难点。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种特征提取速度更快、图像分类准确度更高的基于模糊和去冗余的受限玻尔兹曼机图像分类方法。

本发明的目的可以通过以下技术方案来实现：

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，模糊受限玻尔兹曼机用以提高图像的特征提取的能力；

S2：自适应的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，通过消除提取相同或者极度相似的特征，实现降低图像特征维度，提高系统学习速度；

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，实现对提取特征的自动分类。

进一步地，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，得到模糊受限玻尔兹曼机。

进一步地，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：