[发明专利]一种基于遗传算法的CNN图像分类方法及系统

权利要求书

1.一种基于遗传算法的CNN图像分类方法，包括：

获取待分类图像；

在预设搜索空间中寻找与所述待分类图像对应的神经网络的多个网络超参数；

将多个所述网络超参数进行组合，创建适合所述待分类图像的CNN模型；

通过所述待分类图像的CNN模型对所述待分类图像进行分类，并输出图像分类结果。

2.根据权利要求1所述的方法，其特征在于，所述在预设搜索空间中寻找与所述待分类图像对应的神经网络的多个网络超参数，包括：

基于遗传算法在预设搜索空间中寻找并输出与所述待分类图像对应的神经网络的多个网络超参数；

其中，所述网络超参数包括网络层的数量、特征图映射的数量、学习率、权重衰减因子和/或动量。

3.根据权利要求2所述的方法，其特征在于，所述基于遗传算法在所述预设搜索空间中寻找并输出与所述待分类图像对应的神经网络的多个网络超参数，包括：

在所述预设搜索空间随机选择参数在设定范围内的多个个体；所述个体的编码具有预设架构的超参数和CNN模型；

根据多个所述个体创建所述待分类图像的初始种群；其中，所述初始种群为CNN模型的集合；

基于遗传算法对所述初始种群进行反复迭代，在所述预设搜索空间中寻找并输出所述待分类图像的多个网络超参数。

4.根据权利要求3所述的方法，其特征在于，所述基于遗传算法对所述初始种群进行反复迭代，在所述预设搜索空间中寻找并输出所述待分类图像的多个网络超参数，包括：

设置预定义的最大代数；

基于遗传算法计算所述初始种群中每个个体的适合度分数，根据所述适合度分数评估所述初始种群中每个个体的适应性并进行降序排列，筛选出所述初始种群中的第一目标个体添加到下一代中；

从所述初始种群中除所述目标个体的剩余个体中随机选取具有预设保留概率的第二目标个体添加到所述下一代中；

从所述下一代中随机选取两个不同的个体参与统一交叉操作，并以预定义的突变概率进行突变操作，以此来创建新代；

将所述下一代和基于所述下一代创建的新代组合成新的初始种群进行反复迭代，直至达到所述预定义的最大代数，从而在所述预设搜索空间中寻找并输出所述待分类图像的多个网络超参数。

5.根据权利要求4所述的方法，其特征在于，所述将多个所述网络超参数进行组合，创建适合所述待分类图像的CNN模型，包括：

依据所述超参数中的输出网络层的数量和特征图映射的数量，采用预设的规则创建所述待分类图像的CNN模型；

其中，所述CNN模型由卷积层、池化层和线性完全连接层组合而成。

6.一种基于遗传算法的CNN图像分类系统，包括：

待分类图像获取模块，其配置成获取待分类图像；

网络超参搜索模块，其配置成在预设搜索空间中寻找与所述待分类图像对应的神经网络的多个网络超参数；

CNN模型创建模块，其配置成将多个所述网络超参数进行组合，创建适合所述待分类图像的CNN模型；

图像分类模块，其配置成通过所述待分类图像的CNN模型对所述待分类图像进行分类，并输出图像分类结果。

7.根据权利要求6所述的系统，其特征在于，所述网络超参搜索模块，其还配置成：

基于遗传算法在预设搜索空间中寻找并输出与所述待分类图像对应的神经网络的多个网络超参数；

其中，所述网络超参数包括网络层的数量、特征图映射的数量、学习率、权重衰减因子和/或动量。

8.根据权利要求7所述的系统，其特征在于，所述网络超参搜索模块，其还配置成：

在所述预设搜索空间随机选择参数在设定范围内的多个个体；所述个体的编码具有预设架构的超参数和CNN模型；

根据多个所述个体创建所述待分类图像的初始种群；其中，所述初始种群为CNN模型的集合；

基于遗传算法对所述初始种群进行反复迭代，在所述预设搜索空间中寻找并输出所述待分类图像的多个网络超参数。