[发明专利]基于线性判别分析准则的改进卷积神经网络性能的方法

摘要

本发明公开了一种基于线性判别分析准则的改进卷积神经网络性能的方法，属于深度学习卷积神经网络领域、脑认知领域和计算机视觉图像分类领域，包括以下步骤：1)将待处理图像集划分为训练集、验证集和测试集；2)选择一个卷积神经网络模型；3)选定步骤2)中的卷积神经网络模型的一个层，对选定层的特征做基于线性判别分析准则的正则约束，形成了一个新的卷积神经网络模型；4)按照基于mini‑batch的随机梯度下降方法，利用训练集来训练新的卷积神经网络模型，新的卷积神经网络模型训练好之后，利用训练好的卷积神经网络模型对待分类图像测试，完成分类预测。实验结果表明：本发明能够显著地提高卷积神经网络图像分类的精度。

主权项

1.基于线性判别分析准则的改进卷积神经网络性能的方法，其特征在于，包括以下步骤：1)将待处理图像集划分为训练集、验证集和测试集；2)选择一个卷积神经网络模型；3)选定步骤2)中的卷积神经网络模型的第k层，对选定层的特征做基于线性判别分析准则的正则约束，形成了一个新的卷积神经网络模型；具体方法如下：对选定的步骤2)中的卷积神经网络模型的第k层做基于线性判别分析准则的正则约束，即使得特征的类内距离逐渐变小，类间距离逐渐变大；线性判别分析准则为其中，Trace(·)表示矩阵的迹，其中，h_i表示样本X_i的第k层特征的简写，C是类别总数，n_c和π_c分别表示mini‑batch中属于第c类的样本个数和第c类的下标标号的集合，m_c表示第c类的样本的第k层特征的平均值，m表示mini‑batch的所有样本的第k层特征的平均值，对选定层的特征做基于线性判别分析准则的正则约束，形成一个新的卷积神经网络模型的目标函数为：其中，为新的卷积神经网络模型的分类损失函数，为第k层特征的线性判别分析准则，λ为大于零的权重系数，X_i表示原始的输入数据，即原始图像；c_i∈{1,2,…,C}是相应的类别标签，即W表示选定的卷积神经网络模型的全部参数；4)按照基于mini‑batch的随机梯度下降方法，利用训练集来训练新的卷积神经网络模型，新的卷积神经网络模型训练好之后，利用训练好的卷积神经网络模型对待分类图像测试，完成分类预测。