[发明专利]一种多神经网络集成的图像分类方法及系统

说明书

本发明公开了一种多神经网络集成的图像分类方法及系统，采用多条神经网络结构，每条网络采用深度学习框架中卷积神经网络与全连接网络，接下来通过集成学习思想，将多个神经网络输出赋予不同权重组合在一起，进行训练，通过反向传播优化各个参数，直到损失函数收敛后，得到最终的分类结果。本发明的方法及系统有利于提高图像分类方法的有效性。

技术领域

本发明属于图像分类技术领域，尤其是一种多神经网络集成的图像分类方法及系统。

背景技术

目前，图像识别是指利用计算机对图像进行处理，分析和理解，以识别各种不同模式的目标和对象的技术。现存的图像识别技术中所能实现的功能较少，比如在对图像处理和图像识别时，提取图像信息速度较慢，在进行识别时，准确率不高，并且在识别一些信息量较大的图像时，需要进行较长的时间，能够识别的图像范围较小，对快速发展的时代来说已经不适用了，急需识别速度和识别范围更广的技术。

综上所述，现有技术存在的问题是：现存的图像识别技术中所能实现的功能较少，比如在对图像处理和图像识别时，提取图像信息速度较慢，在进行识别时，准确率不高，并且在识别一些信息量较大的图像时，需要进行较长的时间，能够识别的图像范围较小，对快速发展的时代来说已经不适用了，急需识别速度和识别范围更广的技术。

发明内容

针对现有技术中的不足，本申请提出了一种多神经网络集成的图像分类方法及系统，采用了深度学习框架中卷积神经网络与全连接网络。在多条神经网络并行化进行训练，通过集成学习的思想，将多条神经网络得到的输出给予不同权重来组合，同时通过反向迭代继续更新，最终得到预测值，进一步提高图像分类的有效性。

本发明所采用的技术方案如下：

一种多神经网络集成的图像分类方法，包括如下步骤：

S1，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；

S2，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；

S3，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。

进一步，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。

进一步，所述多神经集成网络的集成方法为：

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，就是上述第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。

进一步，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，对式(1)中的参数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：

所述多神经集成网络中权重α_i方法为：对式(1)采用增广拉格朗日乘数法构造出下式：