[发明专利]基于认知信息粒子的半监督主动识别方法

说明书

本发明公开基于认知信息粒子的半监督主动识别方法，包括：1、使用小数据集训练初始深度模型，判断对识别结果的确信度，对确定样本，输出确定的分类结果；否则，模型将要求专家帮助分析不确定性样本，并给出不确定性样本的指导信息；2、在模型升级阶段，对专家指导样本集中的样本计算模型的认知误差信息，并综合考虑各认知误差计算样本的认知信息粒子信息，选择认知信息粒子值较大的样本作为目标敏感样本，确定欲选择的敏感样本的数量；3、将目标敏感样本添加到训练数据集以微调深度模型，该过程重复执行，逐步提高深度模型的识别精度及识别效率从而适应复杂目标和环境变化所带来的模式变化，该方法将认知知识引入深度学习模型，具有深刻意义。

技术领域

本发明属于认知知识在深度学习领域应用于半监督主动识别的一种实现，具体涉及一种基于认知信息粒子的半监督主动识别方法。

背景技术

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等；深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

传统的深度学习是一种单向开环过程，不能满足人类的学习方式，如反复的权衡和比较来达到从粗糙到精细，从复杂到简单识别新的对象。如果深度学习模型用更多的数据训练，是可以表现出像人类学习一样的特性；但是，在大多数实际应用中，特别是工业或医疗领域，待识别目标通常是复杂或非均匀分布的，目标模式改变也很大，一次性收集大量的标记样本也很困难，而深度学习则需要大量的训练样本来对模型进行训练才能达到理想的识别效果。

目前主动学习主要基于对待识别样本的不确定信息的大小来选择样本进行标记，然后利用标记样本对模型进行训练，该类技术没有充分考虑模型的认知知识和认知行为，也不适用于深度学习的实际应用；半监督分类是解决深度学习在实际中应用的最佳解决方法，主要考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题，这样如何选择最有效的样本作为训练数据来提高深度模型的性能以适应新的应用变化是深度机器学习过程中的核心问题，由于这项工作非常具有挑战性，目前尚未有相关的文献公开基于深度模型的高维数据主动识别或分类的问题。

发明内容

本发明所要解决的技术问题在于针对现有技术存在的上述缺陷，提供一种基于认知信息粒子(CIP_S)的半监督主动识别方法，综合考虑模型的随机预测输出和专家的指导来选择有效样本来训练深度学习模型，可以有效避免其他样本对模型认知属性的干扰并能选择最有效的样本训练深度模型。

本发明是采用以下的技术方案实现的：基于认知信息粒子的半监督主动识别方法，包括以下步骤：

步骤S1、输入原始图像，训练初始深度模型：

步骤S11、使用训练数据集训练初始深度模型，所述训练数据集为样本较少的小数据集，模型可在工作过程中形成确定识别结果和不确定样本集；

步骤S12、根据深度模型的自信心指数判断对识别结果是否确信，若是，则输出确定识别结果；否则，对于不确定样本集执行步骤S13；

步骤S13、深度模型请求专家分析数据和模型的不确定性并给出不确定样本的指导信息，将添加指导信息的样本添加到专家指导样本集；

步骤S2、选择有效的训练样本：对专家指导样本集中的不确定样本计算深度模型的认知误差信息，并综合考虑各认知误差信息计算样本的认知信息粒子(CognitiveInformation Parcels，简称CIP_S)信息，选择目标敏感样本(Target-Sensitive Samples，简称TSS_S)，所述目标敏感样本是根据模型的当前状态拥有对识别或分类贡献最大的样本；结合深度模型的状态和专家指导样本集的大小确定欲选择的目标敏感样本的数量；