[发明专利]适用于黑白图片的神经网络学习方法以及训练方法

摘要

本发明提供了适用于黑白图片的神经网络学习方法以及训练方法，包括：黑白图片预处理为第二矩阵；生成二值化的随机编码矩阵，然后乘以第二矩阵为第四矩阵；激活函数调整为第六矩阵；建立二值化的第七矩阵和浮点数的第八矩阵；第七矩阵乘以第四矩阵为第九矩阵；为代表字符的第十矩阵；将第十矩阵减去第九矩阵为第十一矩阵；将第六矩阵的转置矩阵作为第十二矩阵；第六矩阵乘以第十二矩阵为过程参数；第十二矩阵除以过程参数为第十三矩阵；第十一矩阵乘以第十三矩阵为第十四矩阵；将第十四矩阵与第八矩阵相加得到第十五矩阵，作为新的第八矩阵；将第十五矩阵二值化作为新的第七矩阵；本发明减小矩阵运算时的字节数，加快运算速度，降低了硬件需求。

主权项

1.一种适用于黑白图片的神经网络学习方法，其特征在于，所述神经网络包括大量的神经元，将大量带有字符图形的黑白图片分别提供给所述神经元进行学习，所述黑白图片中包含c种字符，c属于常数，包括以下步骤：S101、将一黑白图片预处理，根据所述黑白图片中的像素排列和字符图形，将所述黑白图片转化为一个二维的第一矩阵M1，所述第一矩阵M1的行数为a，列数为b，a、b均为大于1的常数，所述第一矩阵M1中的每个元素值为0或1；S102、将所述第一矩阵转化为一个一维的第二矩阵M2，所述第二矩阵M2的行数为a×b，列数为1，所述第二矩阵M2中的每个元素值为0或1；S103、通过同一随机种子生成二值化的随机编码矩阵来建立一个二维的第三矩阵M3，所述第三矩阵M3的行数为d，d属于大于0的整数，列数为a×b，所述第三矩阵M3中的每个元素值为1或‑1；S104、将所述第三矩阵M3乘以第二矩阵M2，得到一个一维的第四矩阵M4，所述第四矩阵M4的行数为d，列数为1，所述第四矩阵M4中的每个元素值的取值范围为[‑(a×b),+(a×b)]的整数；S105、通过激活函数调整所述第四矩阵M4，并且将每个元素值移位缩小2ⁿ倍后只保留整数位，n为可变参数，n属于整数，得到一个一维的第六矩阵M6，所述第六矩阵M6的行数为d，列数为1，所述第六矩阵M6中的每个元素值的取值范围是之间的整数；S106、建立一二维的第七矩阵M7，所述第七矩阵M7的行数为c，列数为d，二值化的所述第七矩阵M7中的每个元素值为‑1或+1；并且建立一二维的第八矩阵M8，所述第八矩阵M8的行数为c，列数为d，所述第八矩阵M8中的每个元素值的取值范围是[‑1,+1]之间的浮点数；S107、所述第七矩阵M7乘以所述第四矩阵M4，得到一个一维的第九矩阵M9，所述第九矩阵M9的行数为c，列数为1，所述第九矩阵M9中的每个元素值的取值范围是的整数，所述步骤S107中所述第九矩阵M9中的每一行的元素代表一种字符；并且，将所述第九矩阵M9中数值最大元素值所在的行所代表的字符作为预测字符；S108、得到代表当前所述黑白图片的字符的一维的第十矩阵M10，所述第十矩阵M10的行数为c，列数为1，所述第十矩阵M10中的每一行的元素代表一种所述字符，所述第十矩阵M10中代表当前所述黑白图片的字符的行的元素值为0或2m，m为可变参数，m属于整数，其余行的元素值为0；S109、将所述第十矩阵M10减去所述第九矩阵M9，得到一个表示误差的一维的第十一矩阵M11，所述第十一矩阵M11的行数为c，列数为1，所述第十一矩阵M11中的每个元素值的取值范围是之间的整数；S110、计算所述第六矩阵M6的转置矩阵，得到一个一维的第十二矩阵M12，所述第十二矩阵M12的行数为1，列数为d，所述第十二矩阵M12中的元素值的取值范围为之间的浮点数；S111、将所述第六矩阵M6乘以所述第十二矩阵M12得到一过程参数num，所述过程参数num属于整数；S112、将所述第十二矩阵M12除以所述过程参数num得到一个一维的第十三矩阵M13，所述第十三矩阵M13的行数为1，列数为d，所述第十三矩阵M13中的元素值的取值范围为之间的浮点数；S113、将所述第十一矩阵M11乘以所述第十三矩阵M13，得到一个二维的第十四矩阵M14，所述第十四矩阵M14的行数为c，列数为d，所述第十四矩阵M14中的元素值的取值范围为之间的浮点数；S114、将所述第十四矩阵M14与所述第八矩阵M8相加，得到一个第十五矩阵M15，将当前的所述第八矩阵M8更新为所述第十五矩阵M15，所述第十五矩阵M15的行数为c，列数为d，所述第十五矩阵M15中的元素值的取值范围为之间的浮点数；以及S115、将所述第十五矩阵M15进行二值化，将所述第十五矩阵M15中大于0的元素值转化为1，将所述第十五矩阵M15中小于等于0的元素值转化为‑1，得到一个第十六矩阵M16，所述第十六矩阵M16的行数为c，列数为d，所述第十六矩阵M16中的元素值为‑1或1；将当前的所述第七矩阵M7更新为所述第十六矩阵M16，返回步骤S107。