[发明专利]一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法

权利要求书

1.一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法，其特征在于，包括：

步骤1：搭建基础CAEN网络结构，确定网络中卷积核大小、个数的参数范围，根据所述参数范围设置麻雀种群所在空间的初始上下限，麻雀种群个数N，发现者与跟随者最大比例系数r，最大迭代次数T_max、位置维度，将待压缩图片数据的训练集和测试集输入到基础CAEN网络中；

步骤2：采用实数编码方式，将基础CAEN网络的卷积层内核大小，池化层内核大小，Dropout层损失神经元比例的超参数进行编码；

步骤3：将所述编码作为CMASSA算法的麻雀个体，对所述基础CAEN网络的超参数进行混沌初始化；

步骤4：初始化后的超参数输入到基础CAEN网络进行压缩和重建，根据CAEN网络分类任务的误差率Loss和数据重建度Rate，并利用初始化的超参数得到每个麻雀个体的初始适应度，对当前最优以及最劣麻雀个体对应的超参数进行记录；

步骤5：获取发现者和跟随者数目，调整麻雀种群中最优的超参数和剩余的超参数比率其中t是当前迭代次数，k是一个[0,1)随机数；pNum＝r·N个发现者、sNum＝(1-r)·N个跟随者自适应调整种群数目，选取当前迭代周期中，适应度值最优的pNum个麻雀个体作为发现者，其余sNum个麻雀个体作为跟随者；根据发现者对应的网络超参数X_i位置及跟随者对应的网络超参数X_i位置进行麻雀个体位置更新，并获取所述发现者与跟随者的适应度值；

步骤6：随机选取当前麻雀种群中的20％超参数作为警戒者，更新麻雀位置，并得到该麻雀的适应度值；

步骤7：一次迭代周期完成后，存储该周期最优麻雀个体对应的超参数；

步骤8：重复步骤4-7，达到最大迭代次数后，输出并存储最优的超参数；

步骤9：将最优的超参数输入到重建后的CAEN网络中，得到最优CAEN网络结构，通过所述最优CAEN网络结构进行图像数据压缩。

2.根据权利要求1所述一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法，其特征在于，对基础CAEN网络的超参数进行混沌初始化，具体为：

其中，为经编码后第t次迭代的CAEN网络超参数所在第i只麻雀的第j个参数。

3.根据权利要求1所述一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法，其特征在于，所述误差率为其中TP,FP,TN,FN分别代表真阳性，假阳性，真阴性，假阴性的样本数。

4.根据权利要求1所述一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法，其特征在于，所述数据重建度其中x_i，y_i分别为压缩前后图片数据向量。

5.根据权利要求3或4所述一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法，其特征在于，所述麻雀个体的初始适应度为Fitness＝a·Loss+b·Rate，其中a，b为常数，a+b＝1。

6.根据权利要求1所述一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法，其特征在于，发现者对应的网络超参数X_i位置为：

跟随者对应的网络超参数X_i位置为：

其中，α为(0,1]内服从均匀分配的一个随机数；Q为[0,1)内服从正态分布的一个随机数；L是一个长度为d，元素全部为1的一维向量；AT和ST分别代表安全值和警戒值，其中AT为[0,1)内的一个随机数，ST作为警戒值，一旦AT大于ST，麻雀个体将按照符合正态分布的步伐，更新个体位置到其他更安全的地方；表示在当前迭代中全局最劣位置；X_P为目前发现者所占据的最优位置；A⁺＝A^T(AA^T)^-1，A是一个长度为d，元素全部为1或者-1的一维向量。

7.根据权利要求1所述一种基于改进麻雀搜索算法优化CAEN的图像数据压缩方法，其特征在于，步骤6中更新麻雀位置的方式为：

其中，f_i为当前麻雀个体的适应度值；f_g为本次迭代中最优的麻雀个体适应度值；f_w为本次迭代中最差的麻雀个体适应度值；是此次迭代中的全局最优位置；β是一组长度为d，均值为0，方差为1，在[0,1)内满足正态分布的随机数；K是区间为[-1,1]内的随机数；ε是一个极小常数。/