[发明专利]一种基于Laplace函数约束的稀疏深度置信网络图像分类方法

摘要

本发明提供一种基于Laplace函数约束的稀疏深度置信网络图像分类方法，属于图像处理、深度学习领域。该方法首先基于对灵长类视觉皮层分析的启发，在无监督阶段似然函数中引入惩罚正则项，使用CD算法最大化目标函数的同时，通过Lapalce稀疏约束获得训练集的稀疏分布，可以使无标签数据学习到直观的特征表示。其次，提出一种改进的稀疏深度信念网络，使用拉普拉斯分布诱导隐含层节点的稀疏状态，同时将该分布中的尺度参数用来控制稀疏的力度。最后使用随机梯度下降法对LSDBN网络的参数进行训练学习。本发明所提的方法即使每类在样本很少的情况下，始终达到最好的识别准确度，并且具有良好的稀疏性能。

主权项

1.一种基于Laplace函数约束的稀疏深度置信网络图像分类方法，其特征在于，包括如下步骤：步骤1、选取训练图像数据集，并进行图像预处理，得到训练数据集；步骤2、将步骤1预处理后的训练数据集输入到LSDBN网络模型中，利用对比散度算法无监督地自底向上单独训练每一层的LS‑RBM网络，使用下层LS‑RBM网络的输出作为其邻近上一层LS‑RBM网络的输入，通过迭代训练，得到每个LS‑RBM网络的参数值，并最终获得所输入图像数据的高层次特征；所述的参数值即权值和偏置；步骤3、将步骤2得到的参数值作为微调阶段的初始值，采用自顶向下的反向传播算法微调整个LSDBN网络，得到LSDBN网络模型；步骤4、将测试图像数据集输入到步骤3得到的LSDBN网络模型中，并采用Softmax分类器进行识别测试，最后输出图像分类结果。