[发明专利]一种多神经网络集成的图像分类方法及系统

权利要求书

1.一种多神经网络集成的图像分类方法，其特征在于，包括：数据集准备：获取图像数据样本集X以及X对应的图像数据标签集Y；将图像数据样本集X及其对应的图像数据标签集Y分为训练样本和测试样本；将训练样本输入多神经集成网络进行分类学习，获得多神经集成网络分类模型；将测试样本输入构建好的多神经集成网络分类模型，经多神经集成网络学习后输出最优参数，并输出预测结果；所述多神经集成网络分类模型的构建方法为：将L个神经网络并行化处理，且各个神经网络分别赋予权重α_i,i＝1、2、......、L，满足α_i≥0且再将L个神经网络进行集成获得多神经集成网络分类模型；

所述多神经集成网络的集成方法为：

S.T.1^Tα＝1,α＞0

其中，α_i是每条并行网络的权重，α是由α_i构成的并行网络权重集合，N为训练样本数量，L是基回归器的个数，y_n是样本的真实标签，w_i是全连接网络的权重，w由w_i构成全连接网络的权重集合，h_i,n是全连接的输出，就是第i个神经网络的输出值f_i，γ是控制系数收缩量的复杂性参数；

所述多神经集成网络中的w_i和h_i,n的求解方法为：反向传播求解w_i,h_i,n，对参数w_i,h_i,n求偏导得到：

第i条网络的w_i梯度：

第i条网络的h_i,n梯度：

所述权重α_i求解的方法是采用增广拉格朗日乘数法构造出下式：

对上式中参数α_i求偏导得：

α_i＝[2h^Tww^Th+τ(1_L*L+I)]^-1(2h^TwY+η1_L*L-ξ-τ1_L*L)；

得到的α_i与每条神经网络的输出组合得出集成的结果，再通过反向传播不断更新参数；其中，ηξ均为拉格朗日系数。

2.根据权利要求1所述的一种多神经网络集成的图像分类方法，其特征在于，所述神经网络采用LeNet5网络结构。

3.一种基于权利要求1所述的多神经网络集成的图像分类方法的图像分类系统，其特征在于，包括图像输入模块(1)、多神经网络集成的图像训练模块(2)、图像数据库模块(3)、图像分类模块(4)和输出结果模块(5)；所述的图像输入模块(1)将得到的图像数据导入多神经网络集成的图像训练模块(2)；所述多神经网络集成的图像训练模块(2)的输出端依次连接图像数据库模块(3)、图像分类模块(4)和输出结果模块(5)。

4.根据权利要求3所述的一种多神经网络集成的图像分类系统，其特征在于，所述图像输入模块(1)将图像通过摄像头扫描处理输入到计算机当中，计算机会按照图像的容量大小进行保存。

5.根据权利要求3所述的一种多神经网络集成的图像分类系统，其特征在于，将图像输入模块(1)得到的图像数据作为多神经网络集成的图像训练模块(2)的训练数据集，训练数据集通过多神经网络集成的图像分类，利用了每条神经网络独自训练，再通过不同的权重集成，得到最终的预测结果。

6.根据权利要求3所述的一种多神经网络集成的图像分类系统，其特征在于，所述图像数据库模块(3)用于存储多神经网络集成的图像训练模块(2)分类后的图像信息。

7.根据权利要求3所述的一种多神经网络集成的图像分类系统，其特征在于，所述图像分类模块(4)根据输入的指令对图像数据库模块(3)中所存储的图像信息进行筛选，如果最终找到相匹配的图像信息，会在输出结果模块(5)中输出。