[发明专利]基于神经网络特征识别的数据压缩方法

权利要求书

1.基于神经网络特征识别的数据压缩方法，其特征在于，该方法具体是：

步骤(1).对神经网络识别模型的输出特征数据进行约束；

至少选取一层的网络输出特征作为输出特征数据；根据特征数据选择约束条件，如果要求特征数据符合正态分布，则采用L2范数约束，如果要求特征数据集符合稀疏分布，则采用L0范数或L1范数约束；

步骤(2).对输出特征数据约束后的神经网络模型，进行模型训练；具体是：

将对特征数据通过范数约束得到的约束值L_reg加到模型的总目标函数S中，模型其它约束值记为L_pre，则S＝L_pre+L_reg，将S载入训练模型中，对模型进行重训练；重训练模型经验证集测试评估，当满足|A1-A2|＜0.01时，则将重训练模型进行参数固化，作为推断模型；A1为模型重训练之前的精度,A2为模型重训练之后的精度；

步骤(3).将库数据输入到推断模型，输出类特征数据；

E_n表示第n类的类内特征，其包含M个类内数据；n∈[1,N]，N表示类的总个数，M表示每个类的类内数据个数；库数据的结构大小为N×M，将库数据输入到推断模型，得到结构大小相同的类特征数据；

步骤(4).对输出的类特征数据进行类内特征数据压缩；

将类特征数据统一做量化处理，依次将类内特征E_n中对应的M个类内数据，按特征相近度从大到小排序；

特征相近度通过两个特征的差值中0的个数表示；0的个数越多，表示相近度越大，0的个数越少，相近度越低；

将排序后的类内特征依次做差，并按特征的差值进行压缩存储；即存储每个类的特征数据时，只存储第一个类内特征数据的完整数据，后续存储的类内特征数据均是与前一个类内特征数据的差值；

步骤(5).将类内特征数据压缩后，依据压缩后的类特征数据，按字典索引的方式存储，生成特征比对库。

2.如权利要求1所述的基于神经网络特征识别的数据压缩方法，其特征在于：所述的神经网络为卷积神经网络、循环神经网络或深度神经网络。

3.如权利要求1所述的基于神经网络特征识别的数据压缩方法，其特征在于，步骤(2)中若L_reg影响过大或过小，即L_reg＞＞L_pre或L_reg＜＜L_pre，则对L_reg施加权重因子α，使得α·L_reg与神经网络的目标函数值Loss同一量级，相应的S调整为S＝L_pre+α·L_reg。

4.如权利要求1所述的基于神经网络特征识别的数据压缩方法，其特征在于，步骤(4)中将类特征数据统一做量化处理采用8bit量化处理。

5.如权利要求1所述的基于神经网络特征识别的数据压缩方法，其特征在于，步骤(4)中类内特征数据排序算法采用最小二叉树生成的prim算法或贪心算法。