[发明专利]一种基于贪婪算法的神经网络自荐方法

说明书

本发明公开一种基于贪婪算法的神经网络自荐方法，分三阶段智能选网，选网第一阶段选取1/3D组测试数据，按探索概率Pe为0.45选取网络模型，选网第二阶段，分别按探索概率Pe为0.1和0.05选取网络模型，选网第三阶段，分别按探索概率Pe为0.01和0.005选取网络模型，设置停止选网条件，将检测精度、检测精度排名、Meansubgt;30/subgt;波动率、检测速度均满足要求的网络模型作为最佳网络模型。本发明仅需约1/2D次迭代运算就可得到最佳网络模型，并得到神经网络模型合集中全部网络模型在新检测环境中的准确排名，大大降低了运算的复杂度，提高了评估效率，减少了因为检测环境变化而引起的更新检测系统的时间，为工业自动化系统中分布式网络系统的智能升级、组网提供了智能、高效的工具。

技术领域

本发明涉及网络技术领域，特别涉及一种基于贪婪算法的神经网络自荐方法。

背景技术

在工业和商业应用场景中，采用深度学习、神经网络对条形码、二维码或者OCR定位和识别的方法，常根据使用场景的不同、拍摄图片的分辨率不同、图片的位深度8和24不同等情况，来构建不同的网络结构。例如，对于被识别类别较少的应用场景，采用特征提取层较浅、滤波器(卷积核)个数较少的基础神经网路模型，防止模型过拟合并提高识别的效率和实时性；对于摄像头距离检测目标较远，或者摄像头的分辨率较高导致目标在图片中的尺寸较小的应用场景，通过构建输入图形分辨率较大的模型，来降低漏检率，提高检测精度/召回率。

另外由于工作平台、环境发生了改变，例如调整摄像头的距离，更换了不同分辨率的摄像头等情况，为了让条形码、OCR识别系统还能正常工作，一般通过如下两种方式升级网络系统：1.建立一种适用多种情况的大而全的神经网络，这种网络明显的缺点网络输入、层深和滤波器(卷积核)大量冗余，使得检验识别的效率低下，完全不能胜任工业级实时性检测要求；2.根据环境改变重新选择一个最适和的神经网络识别系统。

传统升级系统，对每个候选网络需要遍历所有测试数据，得到其性能参数(如检测精度，检测速度)，然后比较全部结果才能选出最优网络组合。假设网络池中有N个候选网络，在新环境中验证网络的测试数据集大小为D，那么这个选网过程需要的运算量为：N×D×C_f(其中C_f为网络检测一张图片所需要的运算量)。例如，选用5个模型，15000个数据测试进行验证，传统方法需要5×15000次迭代运算，迭代运算量大，选网效率低，耗时长。

发明内容

本发明提出一种基于贪婪算法的神经网络自荐方法，旨在通过设置不同的探索概率选择网络模型，并根据选网结果衰减探索概率，简化选网过程，提高智能选网速率。

为实现上述目的，本发明提出的基于贪婪算法的神经网络自荐方法，包括如下步骤：

步骤S1：准备一测试数据集和一预训练好的神经网络模型合集，其中，测试数据集样本容量为D组测试数据，神经网络模型合集中网络模型个数为N，D、N均为自然数。

步骤S2：选网第一阶段，取测试数据集中1/3D组测试数据，设置探索概率Pe为a，采用神经网络模型合集对每一组测试数据进行迭代探索，探索后，统计每一神经网络模型平均检测精度，对每个网络模型进行排序，形成第一排序神经网络模型合集，其中，1a0。

步骤S3：选网第二阶段，先设置探索概率为Pe为b，采用所述第一排序神经网络模型合集对剩余的2/3D组测试数据进行迭代探索，探索后，统计每一神经网络模型平均检测精度，对每个网络模型进行进行排序，排序后，当探索的最优网络模型检测精度90％，或者迭代运算次数达到D时，设置探索概率Pe衰减为50％，并使用排序后的神经网络模型合集对剩余的2/3D组测试数据中未使用的测试数据再次进行迭代探索，探索后，统计每一神经网络模型的平均检测精度，对各神经网络模型进行再次排序，形成第二排序神经网络模型合集；其中，1ab0。