[发明专利]一种基于神经网络的数据次分量提取方法

摘要

本发明公开了一种神经网络的数据次分量提取方法，该方法首先进行数据的预处理，如对于一张图像的数据，采用图像矩阵分块的方法，将每一个图像块中的灰度值数据转换一个列向量；构建次分量分析神经网络；初始化权值向量和k值；在得到列向量中随机选取一个列向量作为次分量分析神经网络的输入值；计算次分量分析神经网络的输出；进行迭代计算更新权值向量值，检验算法是否已收敛，如收敛，得到的这个向量就是该数据集的关联矩阵的最小特征值所对应的特征向量。本发明的有益效果是能克服现有技术存在的缺陷，提取出数据中的弱特征，可用于检测视频中的烟、雾、粉尘等重要信息。

主权项

一种神经网络的数据次分量提取方法，其特征在于按照以下步骤进行：步骤1：进行图像数据的预处理，对于一张图像的数据，采用图像矩阵分块的方法，将每一个图像块中的灰度值数据转换一个列向量；步骤2：构建次分量分析神经网络y(k)＝w(k)Tx(k)；步骤3：初始化权值向量和k值；步骤4：在步骤1得到列向量中随机选取一个列向量作为次分量分析神经网络的输入值；步骤5：计算次分量分析神经网络的输出；步骤6：进行迭代计算更新权值向量值，迭代公式为：w(k+1)=w(k)-||w(0)||||w(k)||·[x(k)-y(k)ω(k)wT(k)w(k)]·y(k);]]>步骤7：检验算法是否已收敛，收敛条件为：||w(k+1)‑w(k)||＜∈，其中，∈为0.01；如果收敛条件满足，则认为算法已收敛，则输出提取到的次分量w(k+1)，得到的这个向量就是该数据集的关联矩阵的最小特征值所对应的特征向量，算法结束；否则，取k＝k+1,迭代步数加1，返回执行步骤4。