[发明专利]基于群卷积特征拓扑空间的深度学习网络及其训练方法

权利要求书

1.一种基于群卷积特征拓扑空间的深度学习网络，其特征在于，所述深度学习网络包括依次连接的卷积特征提取层、群卷积拓扑层和深度特征识别层；

所述卷积特征提取层包括依次连接的第一卷积层、第一池化层、第二卷积层和第二池化层，用于提取样本数据的多通道CNN卷积特征，将提取结果作为群卷积拓扑层的输入；

所述群卷积拓扑层包括依次连接的群卷积特征层、图网络输入层、图神经网络隐藏层和图网络输出层，用于结合提取的多通道CNN卷积特征，以通道索引按群分类形成群卷积，构造图拓扑空间，将每个群卷积特征看成图拓扑空间节点，并自动/手动构建图拓扑空间节点连接规则，生成拉普拉斯矩阵L，将拉普拉斯矩阵L作为深度特征识别层的输入；

所述深度特征识别层包括依次连接的拉平层、全连接层、全连接输出层和Softmax层，用于根据输入的拉普拉斯矩阵L，输出样本数据对应的群卷积特征拓扑空间图特征。

2.一种基于群卷积特征拓扑空间的深度学习网络的训练方法，其特征在于，所述基于群卷积特征拓扑空间的深度学习网络采用权利要求1所述深度学习网络；

所述训练方法包括：

S1，根据输入的样本数据提取多通道CNN卷积特征；

S2，结合提取的多通道CNN卷积特征，以通道索引按群分类形成群卷积，构造图拓扑空间，将每个群卷积特征看成图拓扑空间节点，并自动/手动构建图拓扑空间节点连接规则，生成拉普拉斯矩阵L；

S3，将生成的拉普拉斯矩阵L送入GNN隐层网络，输出群卷积特征拓扑空间图特征。

3.根据权利要求2所述的基于群卷积特征拓扑空间的深度学习网络的训练方法，其特征在于，步骤S1中，根据样本数据的数据特征，选择性利用迁移学习算法对卷积特征提取层进行处理。

4.根据权利要求3所述的基于群卷积特征拓扑空间的深度学习网络的训练方法，其特征在于，所述根据样本数据的数据特征，选择性利用迁移学习算法对卷积特征提取层进行处理是指：

对样本数据的数据量和相似度进行分析：

1)当样本数据的数据量小于数据量阈值，同时相似度大于等于相似度阈值时，冻结卷积特征提取层所有参数，仅群卷积拓扑层与深度特征识别层参与更新；

2)当样本数据的数据量小于数据量阈值，同时相似度小于相似度阈值时，卷积特征提取层采取Fine-tune策略；

3)当样本数据的数据量大于等于数据量阈值，同时相似度小于相似度阈值时，重新训练网络；

4)当样本数据的数据量大于等于数据量阈值，同时相似度大于等于相似度阈值时，预采用卷积特征提取层参数，进行训练。

5.根据权利要求2所述的基于群卷积特征拓扑空间的深度学习网络的训练方法，其特征在于，步骤S2中，所述自动/手动构建图拓扑空间节点连接规则的过程包括以下步骤：

S21，手动生成邻接特征矩阵A；

S22，根据下述公式计算得到拉普拉斯矩阵L：

L＝D^-1/2AD^-1/2

其中D为度矩阵。

6.根据权利要求5所述的基于群卷积特征拓扑空间的深度学习网络的训练方法，其特征在于，步骤S21中，所述手动生成邻接特征矩阵A的方法如下：

For iin length(features):

if(i+1length(features)):

A[i,i+1]＝1

A[i+1,i]＝1。

7.根据权利要求2所述的基于群卷积特征拓扑空间的深度学习网络的训练方法，其特征在于，步骤S3中，所述将生成的拉普拉斯矩阵L送入GNN隐层网络，输出群卷积特征拓扑空间图特征包括以下步骤：

将原CNN网络中深度特征识别层输入，由第二池化层提取的多通道CNN卷积特征，改变为群卷积拓扑层中的群卷积特征拓扑空间图特征，并进行全连接网络训练，最终通过Softmax层输出最终结果。

8.根据权利要求2或7所述的基于群卷积特征拓扑空间的深度学习网络的训练方法，其特征在于，根据下述公式提取所述群卷积特征拓扑空间图特征：

X^l+1＝σ(LX^lW+B)

其中，X^l+1为图网络l层级后一层特征输出，W是图拓扑特征的权重向量，B是偏置向量，σ为激活函数。