[发明专利]一种提取特征逻辑用于分类的卷积树突方法

说明书

本发明公开了一种提取特征逻辑用于分类的卷积树突方法，属于人工智能领域，本发明依靠输入数据的特征逻辑进行分类，能够在提取数据特征的同时也获取特征之间的逻辑关系，包括步骤：(1)首先利用权重矩阵对输入的图像信号或时间序列信号数据的卷积运算提取输入数据特征得到特征数据；(2)将特征数据与偏置矩阵求和引入常数项得到中间数据；(3)将包含特征数据和常数项的中间数据与中间数据本身做哈达姆积构造特征之间的逻辑关系；(4)采用误差反向传播算法迭代优化权重矩阵和偏置矩阵，从而保留对分类精度有贡献的特征逻辑关系作为本层的输出数据，本层的输出数据为下一层的输入数据。本发明具有运算量小、分类精度高、模型稳定性好、收敛速度快、可移植性强的优点。

技术领域

本发明涉及人工智能领域，具体涉及一种应用于图像信号或者时间序列信号的抽取特征逻辑用于分类的卷积树突方法。

背景技术

分类是故障诊断、自动化、计算机视觉(CV)和自然语言处理(NLP)等多个领域的基本问题。机器学习一直是解决分类问题的有用工具。分类是根据样本特征划分数据的任务。因此，可以自然的认为通过找到合适的分类曲线或曲面来解决这个问题。然而，使用这种策略的机器学习算法只生成一个黑盒模型。传统的分类模型大多是根据样本特征找到适当的分类曲线或曲面来划分数据集，但忽略了样本特征之间的逻辑关系。实际上样本特征的逻辑关系对于分类而言至关重要。

大脑中的生物树突被证明具有与\或\非的逻辑运算能力。现有模仿生物树突功能的模型是一种树突型网络。树突型网络与传统的胞体网络不同之处在于：1.考虑了输入数据的逻辑关系；2.传统胞体网络的非线性激活函数被树突代替，得到一个白盒模型，因此能够根据模型的分类或者拟合结果，有目标地修改树突层的个数，有效地避免网络过深或过浅造成的过拟合和欠拟合现象。为了便于区分，本发明将这种依靠样本特征找到适当的分类曲线或曲面来划分数据集的网络称为胞体网络，将依靠输入数据或特征之间的逻辑关系进行分类的网络称为树突网络。

虽然树突型网络在各大主流分类数据集，如MNIST、FASHION-MNIST等，均取得了很好的效果。但是其仍然存在如下3个问题：1.树突型网络是将图片数据变成一维张量，在未作特征提取之前全部送入网络，虽然考虑了所有的输入数据之间的逻辑关系，但其实都知道一张图片不是所有数据都对分类精度有贡献；2.树突型网络在做逻辑抽取时需要保证数据传播前后维度一致，导致难以嵌入其他网络；3.树突型网络在做逻辑提取过程中会丢失网络之前提取到的逻辑关系。

发明内容

本发明要解决的技术问题是，克服传统树突型网络无法做特征提取、难以嵌入其他网络以及丢失前面网络提取的逻辑关系的问题，为分类领域设计了一种抽取特征逻辑用于分类的卷积树突方法，该方法可以应用于图像信号处理，以及时间序列信号处理中，在提取输入数据特征的同时考虑特征之间的逻辑关系，与传统寻找分类曲线和曲面来分类的网络原理截然不同，具有分类精度高、收敛速度快、稳定性好、可移植好等优点。

本发明解决其技术问题所采用的技术方案为：一种提取特征逻辑用于分类的卷积树突方法，包括如下步骤：

步骤1、输入图像信号或时间序列信号作为输入数据，利用权重矩阵对输入数据的卷积运算提取输入数据特征得到特征数据；

步骤2、将特征数据与偏置矩阵求和引入常数项得到中间数据；

步骤3、将包含特征数据和常数项的中间数据与中间数据本身做哈达姆积构造特征之间的逻辑关系；

步骤4、采用误差反向传播算法迭代优化权重矩阵和偏置矩阵，从而保留对分类精度有贡献的特征逻辑关系作为本层的输出数据，本层的输出数据为下一层的输入数据；

步骤5重复上述步骤1～4即可构造出更深层次的逻辑关系用于分类。

进一步的，所述步骤1利用权重矩阵对输入数据进行卷积运算得到特征数据具体包括：