[发明专利]一种基于K-NN图模块度的模型剪枝识别方法及系统

权利要求书

1.一种基于K-NN图模块度的模型剪枝识别方法，其特征在于，包括以下步骤：

S1：模型获取：将集中获得的生物样本图输入优化模型获取预训练模型；

S2：构建K-NN(K-Nearest Neighbor)：提取模型特征表示，测量特征值之间距离，得到一系列K-NN图；

S3：动态图模块度计算：将不同时间间隔的K-NN静态图视为特殊动态图，根据K-NN真值标签划定社区，计算每个K-NN图的模块度；

S4：冗余层识别剪枝：绘制动态图的模块度曲线，确定剪枝的范围，定位修剪层数，进行剪枝处理；

S5：重复训练：重复进行上述步骤，获得最终的模型剪枝结果；

S6：生物分类：将待分类生物图输入上述剪枝后分类器模型，输出分类结果。

2.如权利要求1所述的一种基于K-NN图模块度的模型剪枝识别方法，其特征在于：所述步骤S1具体包括：

S1.1：将一系列生物图像作为待分类对象，作为图分类的输入样本；

S1.2：利用随机梯度下降法作为优化模型，设计模型参数为初始学习率为0.01，批量大小为256，权重衰减0.0005，动量0.9，设置数据集分类数为3，设置样本数目为500；

S1.3：将获得的集中样本输入上述优化模型获取预训练模型VGGs(Visual GraphicsGenerator)和ResNets(Residual Networks)。

3.如权利要求1所述的一种基于K-NN图模块度的模型剪枝识别方法，其特征在于：所述步骤S2具体包括：

S2.1:将获取的样本输入参数固定的优化DNN(Deep Neural Networks，深度神经网络)中，神经网络的特征表示：

其中L为层数，C_i为第i层的通道数，W_i和H_i分别为第i层特征映射的宽度和高度，利用映射函数降维：

其中M_i＝C_i×W_i×H_I,获得一组特征表示F＝{F₁，F₂，…，F_L}；

S2.2：测量不同特征之间的余弦距离，利用了两个矢量之间的角度来度量相似度，相似矩阵：

其中和分别表示为样本j和k在第i层的特征表示向量，||·||₂表示为2范数，为每个节点设置边和相应权重，得到邻接矩阵A_i，利用公式将邻接矩阵A_i变为对称邻接矩阵

S2.3：基于特征表示F_i以及第i层K-NN图的对称邻接矩阵构造一系列K-NN图

4.如权利要求1所述的一种基于K-NN图模块度的模型剪枝识别方法，其特征在于：所述步骤S3具体包括：

S3.1：通过步骤S2得到一系列K-NN图{G¹，G²，…，Gⁱ}，将相互关联的一系列K-NN图视为一种特殊的动态图DG，即{G¹，G²，…，Gⁱ}＝DG，i＝1，…，L，其中L为层数；

S3.2：根据真值标签将样本划分为k个真值社区，k为分类数，利用模块度公式计算每个K-NN图的模块度，公式如下：

其中a_ij为节点i和节点j之间的边的权重，W为标准化因子，W＝∑_i∑_ja_ij是所有节点之间边的权重之和，s_i＝∑_ja_ij和s_j＝∑_ia_ij分别为节点i和j的强度，c_i和c_j分别表示为节点i和j所属的社区，如果节点i和节点j在同一个社区中，δ(c_i，c_j)表示为1，否则为0。