[发明专利]一种应用于深度卷积神经网络中的特征提取方法

权利要求书

1.一种应用于深度卷积神经网络中的特征提取方法，在深度卷积神经网络中使用卷积层来做深层堆叠时，使用本专利发明的特征提取算法来替代传统的卷积，使网络模型提取更加抽象的高阶特征信息，提高网络模型的表现性能。本发明的特征在于如下步骤：

a)基于传统卷积滑动计算的基础上，每次只对待卷积数据的局部进行计算。

b)首先，通过对局部待卷积数据进行线性运算。

c)之后，将输出结果使用一个非线性函数进行激活输出。

d)将激活函数的结果重新作为局部待卷积数据重复b)到c)的操作至少一次。

e)到此输出即为当前滑动窗口的特征提取结果，将卷积核滑动到下一位置并得到下一组局部待卷积数据，重复b)到d)的操作，直至滑动遍历完整的待卷积数据。

f)最终的输出即为一个非线性内核的卷积核输出结果。

2.根据权利要求1所述的方法，其特征在于，所述待卷积数据，是指由图像、音频频谱等可表示为矩阵或向量数据。

3.根据权利要求1所述的方法，其特征在于，所述线性运算，是指加法和数量乘法。在标量、向量和矩阵中有不同的形式，都称之为线性运算。

4.根据权利要求1所述的方法，其特征在于，所述非线性函数，是指函数图像不是一条直线的函数，包括指数函数、幂函数、对数函数、多项式函数等等基本初等函数以及他们组成的复合函数，还包括神经网络构成的函数。

5.根据权利要求1所述的方法，其特征在于，所述激活输出，是输入x经过函数f(x)的变换后得到结果y＝f(x),y即为激活输出结果，所示函数f(x)不限于任何形式的函数包括神经网络，输入x不限任何形式，包括标量、向量、矩阵等。

6.根据权利要求1所述的方法，其特征在于，所述滑动窗口，是指和传统矩阵卷积算法中相同的滑动操作，但是不限制滑动窗口的步长、大小、形状和数目。