[发明专利]针对图像深度学习模型识别的自适应正则化优化处理方法

权利要求书

1.一种针对图像深度学习模型识别的自适应正则化优化处理方法，其特征在于：

1)对于需识别的图像，建立深度学习模型，提取出深度学习模型每一层的模型参数；

2)对于深度学习模型每一层的模型参数w，首先计算混合高斯中第k个高斯模型对于深度学习模型的第m层的模型参数w_m的责任函数r_k(w_m)，并实时迭代更新其中的混合参数，如下：

其中，p_k(w_m)是深度学习模型的第m层的模型参数w_m在第k个高斯模型的概率密度函数，π_k是第k个高斯模型的混合参数，π_j表示第j个高斯模型的混合参数，p_j(w_m)表示深度学习模型的第m层的模模型参数w_m在第j个高斯模型的概率密度函数，j表示遍历所有的高斯模型的序数，K表示混合高斯中的高斯模型总数；

3)再采用以下公式处理获得自适应的正则项，并实时迭代更新其中的精度参数：

其中，λ_k是第k个高斯模型的精度参数；

4)依次重复以上步骤2)～3)迭代处理直到收敛为止，每一层均获得自身的正则项βw；

5)将不同层的正则项输入到深度学习模型各自对应的层中，然后在每一层的模型参数基础上减去该层的正则项，由此用自适应的正则项训练获得了一个能更好地进行图像识别的深度学习模型；

所述的第k个高斯模型的精度λ_k采用以下公式更新：

其中，a和b是预设的第一、第二超参数；

第k个高斯模型的混合参数π_k采用以下公式更新：

其中，α_k是第k个高斯模型的预设的模型超参数，α_j表示第j个高斯模型的预设的模型超参数，j表示遍历所有的高斯模型的序数。

2.根据权利要求1所述的一种针对图像深度学习模型识别的自适应正则化优化处理方法，其特征在于：所述的深度学习模型为卷积神经网络。

3.根据权利要求1所述的一种针对图像深度学习模型识别的自适应正则化优化处理方法，其特征在于：所述步骤4)中，迭代处理时，每重复一次步骤2)～3)作为一步，每隔步I_m步才进行一步，I_m是预设的模型超参数。

4.根据权利要求1所述的一种针对图像深度学习模型识别的自适应正则化优化处理方法，其特征在于：所述的深度学习模型中的总层数大于10层以上，直到上千层的深度学习模型都是适用的。