[发明专利]一种基于谐振过滤的神经网络图像特征提取方法

说明书

本发明公开了一种基于谐振过滤的神经网络图像特征提取方法，包括以下步骤：S01，构建全连接神经网络，包括输入层、隐藏层和输出层；S02，设置训练数据像素点一一对应的波函数；S03，通过波函数中频率参数ω₀与超参数ω对训练数据进行过滤；S04，过滤后的数据输入S01中全连接神经网络并输出结果；S05，设置代价函数，计算输出层误差，并通过反向传播计算各层的误差；S06，推导输入层期望误差，更新ω₀，重新回到S03；S07，用梯度下降算法更新神经网络中的权重和偏置，重新回到S04；S08，得到训练好的神经网络。本发明提供的一种基于谐振过滤的神经网络图像特征提取方法，利用波函数性质对训练图像数据进行谐振过滤，能够提高神经网络图像特征提取能力。

技术领域

本发明涉及一种基于谐振过滤的神经网络图像特征提取方法，属于神经网络图像识别技术领域。

背景技术

现如今出现海量的数据和优秀的算法，神经网络图像识别技术蓬勃发展。面对大量的训练数据，神经网络图像特征提取的能力很大程度决定了神经网络训练模型的好坏。在海量数据和优秀算法的推动下，神经网络图像识别技术蓬勃发展。面对大量的训练数据，神经网络图像特征提取的能力很大程度上决定了神经网络训练模型的好坏。权重是神经网络中神经元之间传输数据的桥梁，通过梯度下降算法对权重进行修正，重复此过程使得模型收敛。在图像特征识别的过程中，常常存在一些“噪声”，这些“噪声”数据不但对识别结果无关紧要，而且影响识别结果的准确性。现有技术一般通过增加数据集和多次迭代来缓解“噪声”数据对识别结果的影响，但其优化效果趋于饱和。

发明内容

本发明要解决的技术问题是，克服现有技术的缺陷，提供一种利用波函数性质对训练图像数据进行谐振过滤，能够提高神经网络图像特征提取能力的基于谐振过滤的神经网络图像特征提取方法。

为解决上述技术问题，本发明采用的技术方案为：

一种基于谐振过滤的神经网络图像特征提取方法，包括以下步骤：

S01，构建全连接神经网络，包括输入层、隐藏层和输出层；

S02，设置训练数据像素点一一对应的波函数；

S03，通过波函数中频率参数ω₀与超参数ω对训练数据进行过滤；

S04，过滤后的数据输入S01中全连接神经网络并输出结果；

S05，设置代价函数，计算输出层误差，并通过反向传播计算各层的误差；

S06，推导输入层期望误差，更新ω₀，重新回到S03；

S07，用梯度下降算法更新神经网络中的权重和偏置，重新回到S04；

S08，得到训练好的神经网络。

S02中，假设每个像素点有与之对应的波函数参数则

表示训练图像像素点数据，上标l表示数据在神经网络中层的索引，下标j表示该层中某一数据点的索引，由于公式(1)参数上下标都相同，将公式简化

再将公式(2)转化为向量形式表示如下：

协振过滤用于神经网络的输入层，当只有1个输入层时，公式(3)也可写为

其中，ω₀表示初始化输入层像素点波函数频率参数，表示函数相位，t表示波函数自变量，A表示振幅系数，起控制波函数振幅的作用，p表示波函数偏置，该参数为假设波函数中起偏置作用的参数，在本发明中设为0。