[发明专利]一种基于Hausdorff-RMSprop算法的图像识别方法

说明书

本发明基于Hausdorff‑RMSprop算法的图像识别方法,包括如下步骤：步骤1，选择了一种网络的模型；步骤2，提出了反向传播方法更新网络Hausdorff差分的权重和偏置；步骤3，根据所述的分数阶的权重和偏置，进行卷积神经网络训练。本发明提供一种基于Hausdorff‑RMSprop算法的图像识别方法，该方法有效的提升了卷积神经网络中图像识别精度和学习收敛速度，可以使卷积神经网络对于CIFAR‑10进行更好的训练，提高网络的优化能力。

技术领域

本发明涉及人工智能算法领域，具体涉及一种基于Hausdorff-RMSprop算法的图像识别方法。

背景技术

近些年卷积神经网络广泛应用于更复杂的图像处理字段。经典的卷积神经网络模型结构主要是由输入层、卷积层、池化层、全连接层和输出层组成的。传统的机械学习手工提取特征困难，难以适应大规模数据训练，并且模型的泛化能力较差。已有的深度学习和传统机械学习结合模型准确率有待提升。建立了理论提高卷积神经网络的精度和速度的基础扩大了图像识别的识别速度。

目前具有记忆动量的优化算法经用来训练神经网络。因为记忆分数阶微积分的性质，分数阶模型可以更好地描述真实世界系统的复杂动力学，在建模中也得到了广泛的应用神经网络。分数阶微积分也应用于处理图像，如保存图像纹理，降低噪声影响。

分数阶导数不仅可以构造不同类型分数阶神经网络模型，而且可以建立不同的参数更新方法。需要减少计算时间，提高神经网络的计算速度。分数阶导数可以增加复杂度和与整数阶导数相比的计算时间，在于处理历史信息。自以来分形导数可以描述时间依赖性，减少计算时间，可应用于优化神经网络模型。Hausdorff分形导数形式可以转变为Hausdorff差分，可应用于卷积神经网络模型。

发明内容

本发明的目的在于解决整数阶RMSprop算法的图像识别精度不高的现状。为了提高 RMSprop算法的图像识别精度和学习收敛速度，本发明提供了一种基于Hausdorff-RMSprop 算法的图像识别方法，该技术方案如下：

为了实现上述目的，本发明创造采用了如下技术方案：

一种基于Hausdorff-RMSprop算法的图像识别方法，包括如下步骤：

步骤1，设定神经网络；

步骤2，通过反向传播方法更新网络Hausdorff差分的权重和偏置；

步骤3，根据所述的分数阶的权重和偏置，进行网络训练；

步骤4，通过Hausdorff-RMSprop算法进行图像识别，得到阶次为γ∈(0.1,0.9)的Hausdorff-RMSprop算法进行图像识别。

所述的步骤1中，具体方法为：

步骤1-1)设定卷积神经网络的模型，所述的神经网络包括输出层、卷积层、池化层、全连接层、输出层；

步骤1-2)设定卷积层的权重和偏置为{w,b}，其中w表示权重，b表示偏置。

所述的步骤2中，具体方法为：

步骤2-1)对网络进行设定初始化的权重和偏置为{w(1),b(1)}；

步骤2-2)设置初始迭代次数为k＝1；

步骤2-3)对卷积神经网络进行优化；

步骤2-4)根据k＝k+1更新迭代次数；

步骤2-5)RMSprop算法通过将整数阶替换为分数阶Hausdorff差分，并得到Hausdorff 差分的权重和偏置，重复步骤2-3)，到满足误差梯度为止。

所述的步骤2-3)中整数阶卷积神经网络的随机梯度下降法中权重和偏置的表达公式：