[发明专利]一种无监督图像特征的提取及分类方法

权利要求书

1.一种无监督图像特征的提取及分类方法，其特征在于：其包括以下步骤：

A：建立具有隐藏层的串行栈式自编码器网络，将图像原始数据进行降维后输入所述自编码器网络；

B：预训练网络得到权重矩阵W和偏置b，采用贪婪算法训练第一个隐藏层后更新权重矩阵W和偏置b，得到第一隐藏层特征矩阵，输入第一隐藏层特征矩阵，采用贪婪算法训练第二个隐藏层后再次更新权重矩阵W和偏置b，得到第二隐藏层特征矩阵；

C：计算第一隐藏层和第二隐藏层各自的分类精度Y_pq，其中，Y_pq表示第q隐藏层的第p次的分类精度，q∈{1，2}，p∈N⁺，根据分类精度的不同赋予第一隐藏层和第二隐藏层相应的权重，加权融合第一隐藏层特征矩阵和第二隐藏层特征矩阵的特征得到混阶特征矩阵H；

D：混阶特征矩阵H通过SVM分类器进行分类，得到分类结果；

E：通过将分类结果与图像原始数据的图像标签进行比对，得到分类精度A。

2.根据权利要求1所述的一种无监督图像特征的提取及分类方法，其特征在于：步骤A中，所述自编码器是稀疏自编码器。

3.根据权利要求2所述的一种无监督图像特征的提取及分类方法，其特征在于：所述稀疏自编码器的代价函数为其中

为稀疏惩罚项，β为稀疏惩罚项的权重系数，S₂是隐藏层中隐藏神经元的数量，而j依次代表隐藏层中的每一个神经元，隐藏层神经元j的激活度ρ为稀疏性参数。

4.根据权利要求1所述的一种无监督图像特征的提取及分类方法，其特征在于：步骤B中，还包括微调所述自编码器网络。

5.根据权利要求3所述的一种无监督图像特征的提取及分类方法，其特征在于：步骤B中，所述预训练的目标是最小化代价函数以使得权重矩阵W和偏置b接近最优值。

6.根据权利要求3所述的一种无监督图像特征的提取及分类方法，其特征在于：步骤B中，采用梯度下降法对所述权重矩阵W和所述偏置b进行更新，所述权重矩阵W更新过程为所述偏置b更新过程为其中α为学习率。

7.根据权利要求1所述的一种无监督图像特征的提取及分类方法，其特征在于：步骤C中，对Y_pq进行标准化得到y_pq，权重为ω_q，其中，k为常数，E(Y_pq)为信息熵，其中，其中，n表示融合的特征层数。

8.根据权利要求7所述的一种无监督图像特征的提取及分类方法，其特征在于：步骤C中，所述混阶特征矩阵其中，表示对特征进行融合，h_q＝h_q-1*W_q表示第q层隐藏层的图像特征，当q＝1时，h₀＝X₁，X_q是输入的图像特征，W_q是对应的权重矩阵。

9.根据权利要求1所述的一种无监督图像特征的提取及分类方法，其特征在于：步骤E中，还得到分类所用时间。