[发明专利]一种基于卷积神经网络的模式识别方法

说明书

本发明属于基于卷积神经网络的模式识别技术领域，公开了一种基于卷积神经网络的模式识别方法。本发明通过构建目标卷积神经网络方法能够有效降低目标卷积神经网络的结构复杂度；并且，在目标卷积神经网络使用时，可以直接基于每对基向量来完成卷积层的卷积运算，提高了运算效率；同时，通过对目标卷积神经网络进行优化方法对目标卷积神经网络进行时间与能耗目标建模，对时间、能耗逐层预测，同时分析时间、能耗开销的主导目标建模参数，通过改进目标建模参数、改变阵列分割方法与缓存分割方法对目标卷积神经网络进行时间与能耗双目标优化从而改进目标卷积神经网络模型。

技术领域

本发明属于基于卷积神经网络的模式识别技术领域，尤其涉及一种基于卷积神经网络的模式识别方法。

背景技术

卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习(representationlearning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification)，因此也被称为“平移不变人工神经网络(Shift-InvariantArtificialNeuralNetworks,SIANN)”。对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络；在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域；然而，现有基于卷积神经网络的模式识别方法网络结构较为复杂，在基于该目标卷积神经网络进行卷积运算时，运算效率较低；同时，没有考虑到在复杂的应用环境中目标卷积神经网络的加速和能量感知可能存在一定矛盾，在降低能耗时可以以牺牲速度为代价或者以能量，而降低目标卷积神经网络计算的时间又可能会产生更多能耗的问题。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有基于卷积神经网络的模式识别方法网络结构较为复杂，在基于该目标卷积神经网络进行卷积运算时，运算效率较低。

(2)没有考虑到在复杂的应用环境中目标卷积神经网络的加速和能量感知可能存在一定矛盾，在降低能耗时可以以牺牲速度为代价或者以能量，而降低目标卷积神经网络计算的时间又可能会产生更多能耗的问题。

发明内容

针对现有技术存在的问题，本发明提供了一种基于卷积神经网络的模式识别方法。

本发明是这样实现的，一种基于卷积神经网络的模式识别方法包括：

步骤一，获取目标数据样本；对目标数据样本数据预处理；确定多个初始目标神经单元；

步骤二，将所述多个初始目标神经单元作为遗传算法的基础基因进行迭代计算，其中，在迭代过程中，根据目标进行模式识别的准确率进行遗传选择，所述准确率越高的目标被变异与交叉的概率越低；

步骤三，当迭代结果满足预设的终止条件时，根据所述准确率满足第一预设阈值的目标构建目标卷积神经网络；并对目标卷积神经网络进行优化，以及将待识别对象输入至所述目标卷积神经网络，得到所述待识别对象对应的模式识别结果。

进一步，所述构建目标卷积神经网络方法如下：

(1)获取预设训练集，所述预设训练集包括至少一个目标图像组，每个目标图像组包括目标颜色分量的原始样本目标图像，与所述原始样本目标图像对应的所述目标颜色分量的失真目标图像；

(2)设置初始目标卷积神经网络的目标网络参数集，所述目标网络参数集包括所述初始目标卷积神经网络的所有目标网络参数的参数值；重复执行目标卷积神经网络的训练过程，直至预设的损失函数对应的损失值收敛至目标范围，以得到所述训练后的目标卷积神经网络；