[发明专利]基于单隐层神经网络的图像识别方法及相关设备

说明书

本公开提供一种基于单隐层神经网络的图像识别方法及相关设备。该方法包括：获取用户输入的图像数据，对所述图像数据进行预处理；将经过所述预处理的所述图像数据输入目标检测模型进行多标签分类，得到每个所述图像数据对应的类别标签；输出带有所述类别标签的所述图像数据；其中，所述目标检测模型为单隐层神经网络模型，所述单隐层神经网络模型中的单隐层的神经元数量采用评价‑行动‑反馈JAF算法对所述神经网络模型进行预训练而确定。本公开提供的一种基于单隐层神经网络的图像识别方法及相关设备，可以自适应的调整神经网络结构，提高对图像识别的准确率。

技术领域

本公开涉及深度学习技术领域，尤其涉及一种基于单隐层神经网络的图像识别方法及相关设备。

背景技术

随着神经网络技术的快速发展，神经网络已经成为了目前人工智能领域中最重要的技术之一，利用神经网络可以对图像进行有效识别，如何提高图像的识别效率取决于神经网络的内部结构。通常神经网络的结构包括输入层神经元个数、隐层神经元个数和深度、输出层神经元个数三个部分。其中输入层神经元个数与输入的数据所包含的特征数量一致，输出层神经元个数与数据的类别数量一致。然而，隐层神经元的个数和深度无法直接根据数据的结构进行确定。通常认为，隐层神经元的个数越多深度越深其模型越复杂。然而，复杂的模型是否适用于训练的数据只能通过训练结果进行考察，即通过模型在训练集和测试集上的表现人为判断是否处于过拟合或欠拟合状态。这种人工的考察方式无疑会造成大量的资源浪费，因此如何确定隐层神经元个数和深度成为了研究的热点，难点问题。

发明内容

有鉴于此，本公开的目的在于提出一种基于单隐层神经网络的图像识别方法及相关设备。

基于上述目的，本公开提供了一种基于单隐层神经网络的图像识别方法，获取用户输入的图像数据，对所述图像数据进行预处理；

将经过所述预处理的所述图像数据输入目标检测模型进行多标签分类，得到每个所述图像数据对应的类别标签；

输出带有所述类别标签的所述图像数据；

其中，所述目标检测模型为单隐层神经网络模型，所述单隐层神经网络模型中的单隐层的神经元数量采用评价-行动-反馈JAF算法对所述神经网络模型进行预训练而确定。

进一步的，对所述图像数据进行归一化。

进一步的，所述单隐层神经网络模型包括：单隐层前馈神经网络模型、极限学习机ELM神经网络模型或单隐层的卷积神经网络模型。

进一步的，所述预训练包括：

将已标注所述类别标签的图像样本集划分为训练集和测试集，利用所述单隐层神经网络模型计算得到所述训练集的准确率和所述测试集的准确率；

基于所述训练集的准确率和所述测试集的准确率计算回报函数；

响应于确定所述回报函数不满足预设的迭代截止条件，基于所述回报函数计算得到所述单隐层神经元个数的变化量，基于所述单隐层神经元个数的变化量调整所述单隐层神经元数量；

对所述单隐层神经网络模型进行迭代训练，直至确定所述回报函数满足预设的所述迭代截止条件，以得到所述目标检测模型。

进一步的，所述基于所述训练集的准确率和所述测试集的准确率计算回报函数，包括：所述回报函数具体为

v_n＝f_n(x)+g_n(y)

其中，