[发明专利]目标分类识别方法、装置、计算机设备及存储介质

权利要求书

1.一种目标分类识别方法，其特征在于，所述方法包括：

获取目标物的多模态数据，并对所述多模态数据进行数据预处理，得到所述目标物的标准多模态数据；

将所述标准多模态数据输入至测量模型中，通过所述测量模型提取所述标准多模态数据的特征向量；其中，将基于机器学习的测量模型深度网络提取的预处理的距离目标深度神经网络作为距离信号目标的特征向量；

根据所述特征向量以及所述标准多模态数据，通过所述测量模型中的回归分类器对所述目标物进行分类识别处理，得到目标分类识别结果；

所述通过所述测量模型中的回归分类器对所述目标物进行分类识别处理，得到目标分类识别结果，包括：所述回归分类器通过受限玻尔兹曼机算法进行学习，并更新所述受限玻尔兹曼机算法的权重，得到所述受限玻尔兹曼机算法的权重更新公式；根据所述权重更新公式得到目标受限玻尔兹曼机算法；根据所述目标受限玻尔兹曼机算法，将所述标准多模态数据映射至所述测量模型中，通过所述测量模型对所述目标物进行分类识别处理，得到目标分类识别结果；

所述对所述多模态数据进行数据预处理，得到所述目标物的标准多模态数据，包括：获取初始数据处理范围；根据所述目标物调整所述初始数据处理范围，得到目标数据处理范围；根据所述目标数据处理范围，对所述多模态数据中的异常数据进行清除，得到所述目标物的标准多模态数据；所述异常数据用于表示噪声数据。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取初始测量模型；

所述初始测量模型通过无监督学习获得初始参数；

使用反向传播算法对所述初始测量模型中的初始参数进行调整，得到所述测量模型。

3.根据权利要求1所述的方法，其特征在于，所述回归分类器通过受限玻尔兹曼机算法进行学习，并更新所述受限玻尔兹曼机算法的权重，得到所述受限玻尔兹曼机算法的权重更新公式，包括：

定义所述受限玻尔兹曼机算法的能量函数；

通过最大似然法对所述能量函数进行处理，得到对数似然函数；

根据所述对数似然函数得到学习率，所述回归分类器根据所述学习率学习；

通过梯度下降法对所述对数似然函数进行处理，得到所述受限玻尔兹曼机算法的权重更新公式。

4.根据权利要求1所述的方法，其特征在于，所述测量模型的训练过程包括：

获取样本数据，并将所述样本数据输入至深度神经网络中，通过所述深度神经网络的第一层编码器得到的第一隐层状态；

使用贪婪算法对所述深度神经网络中的隐层进行逐层初始化，得到各个隐层的隐层状态；

根据各个隐层的所述隐层状态，通过BP算法调整所述深度神经网络的全局最优权重向量；

根据所述全局最优权重向量，通过SoftMax回归成本函数来训练所述测量模型的参数。

5.一种目标分类识别装置，其特征在于，所述装置包括：

数据获取模块，用于获取目标物的多模态数据，并对所述多模态数据进行数据预处理，得到所述目标物的标准多模态数据；

特征向量提取模块，用于将所述标准多模态数据输入至测量模型中，通过所述测量模型提取所述标准多模态数据的特征向量；其中，将基于机器学习的测量模型深度网络提取的预处理的距离目标深度神经网络作为距离信号目标的特征向量；

分类识别模块，用于根据所述特征向量以及所述标准多模态数据，通过所述测量模型中的回归分类器对所述目标物进行分类识别处理，得到目标分类识别结果；

所述分类识别模块，还用于所述回归分类器通过受限玻尔兹曼机算法进行学习，并更新所述受限玻尔兹曼机算法的权重，得到所述受限玻尔兹曼机算法的权重更新公式；根据所述权重更新公式得到目标受限玻尔兹曼机算法；根据所述目标受限玻尔兹曼机算法，将所述标准多模态数据映射至所述测量模型中，通过所述测量模型对所述目标物进行分类识别处理，得到目标分类识别结果；

所述数据获取模块，还用于获取初始数据处理范围；根据所述目标物调整所述初始数据处理范围，得到目标数据处理范围；根据所述目标数据处理范围，对所述多模态数据中的异常数据进行清除，得到所述目标物的标准多模态数据；所述异常数据用于表示噪声数据。