[发明专利]一种卷积神经网络模型的稀疏编码分类器设计方法

权利要求书

1.一种卷积神经网络模型的稀疏编码分类器设计方法，其特征在于，包括以下步骤：

S1、以字典学习的原始模型为基础，引入深度卷积神经网络模型的图像特征提取和特征分类规则，设计多种具有不同特征的稀疏编码分类器组，每个不同特征特征的稀疏编码分类器组由多个稀疏编码分类器组成：

S2、使用特征图像样本对稀疏编码分类器进行训练；

S3、使用一个已完成特征分类的图像样本对稀疏编码分类器进行测试。

2.根据权利要求1所述的一种卷积神经网络模型的稀疏编码分类器设计方法，其特征在于，所述S1的具体步骤为：

定义X_i为参与卷积编码分类模型训练的第i个图像样本分类集合，j为第i个图像样本分类集合中的第j个图像样本，n为X_i集合中图像样本的总个数，则有X_i＝[x_(i,1),x_(i,2),…,x_(i,j),…,x_(i,n)]；

定义N为参与模型训练中的图像样本分类个数，F_i为分类模型训练的第i个分类后图像样本集合的卷积滤波器集合，f_(i,c)为第i个分类后图像样本特征集合使用的第c个卷积滤波器，C为为每个卷积滤波器集合的个数，且C＜n，则有F_i＝[f_(i,1),f_(i,2),…,f_(i,c)]；

定义Z_i为图像样本全部特征的集合，则有Z_i＝[Z_(i,1),Z_(i,2),…,Z_(i,j),…,Z_(i,n)]，Z_i中的每一个组成元素都是由一组下级元素组成的子集合，且Z_i中全部图像样本的特征量为C个，C个特征量能重新构建全部输入图像样本的输出特征图，其全部特征图用x_(i,j)表示。

3.根据权利要求2所述的一种卷积神经网络模型的稀疏编码分类器设计方法，其特征在于，所述S2的具体步骤为：

基于字典学习分类算法的通用数学模型

在公式1中，为重建残差，残差指实际检测到的图像分类结果与理想的图像分类结果之间的差值，用于分析判定图像分类结果的可靠性；D为学习的字典，D∈Rp×k；A为X与D对应的系数矩阵，A＝[A1，A2，A3，…，Ak，…，AC]，A∈RK×n；Y为分类后的图像样本标签，使用矩阵进行表示，假设xi为第k个分类后的图像样本，则yi＝k，(k＝1,2,3,…,C)，(i＝1,2,3,…,n)；λ₁和λ₂为拉格朗日乘数子，用于实现正则化时使用的参数，λ₁≥0和λ₂≥0；||A||_p为系数矩阵A的范数的正则化工具；L为判定图像分类结果准确性的工具，L(D,A,Y)用于确定D和A的准确性；

在字典学习分类算法的基础上引入深度卷积神经网络模型的图像特征提取和特征分类规则，结合所述X_i、N和Z_i，得到使用X_i对F_i进行训练时，其训练的数学模型为：

其中

在公式(2)中，argmin表示为最小取整数(或向下取整数)；∑表示求和运算；表示卷积求和运算；μ为拉格朗日乘子，是可实现正则化时使用的参数；

为重建残差运算，作用是确保得到的图像特征图与输入参加训练的图像特征图尽量接近；为范数正则化运算，作用是利用范数正则化实现对图像样本特征的稀疏表示。

在所述S3中使用一个已完成特征分类的图像特征y对F_i进行测试，其数学模型为：

其中A＝{a_(i,c)}i＝1,2,…n c＝1,2,…C；

在公式(3)中，a_(i,c)为F_i卷积滤波器训练与测试的、具有稀疏性的特征图，这些特征图主要用于重构图像样本λ为拉格朗日乘数子，是可实现正则化时使用的参数，图像图像特征y所对应的标签的取值是通过进行残差运算所得到的最小值。