[发明专利]基于深度最近类均值的模型设计方法及增量气味分类方法在审
| 申请号： | 201910276985.3 | 申请日： | 2019-04-08 |
| 公开（公告）号： | CN110163247A | 公开（公告）日： | 2019-08-23 |
| 发明（设计）人： | 程昱;詹灿坚;何家峰;骆德汉 | 申请（专利权）人： | 广东工业大学;赛尔网络有限公司 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04;G06N3/08;G01N33/00 |
| 代理公司： | 北京集佳知识产权代理有限公司 11227 | 代理人： | 张春水;唐京桥 |
| 地址： | 510060 广东省*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度最近类均值的模型设计方法及增量气味分类方法，该方法包括以下步骤：设计深度神经网络模型；其中，所述深度神经网络模型包括：输入层、至少一个隐藏层、全连接层和Softmax功能层；然后将深度神经网络模型中的全连接层替换为NCM层得到深度最近类均值模型。本发明实施例提供的一种基于深度最近类均值的模型设计方法及增量气味分类方法，结合了深度神经网络和最近的类均值分类器的优点，并且消除了它们各自的局限，可以实现无缝地容纳新的气味类别，而不需要重新训练。该方法计算量小，适用范围广。 | ||
| 搜索关键词： | 神经网络模型 模型设计 连接层 分类 气味类别 神经网络 分类器 功能层 计算量 输入层 隐藏层 替换 容纳 局限 | ||
【主权项】：
1.一种基于深度最近类均值模型设计方法，其特征在于，所述方法包括以下步骤：设计深度神经网络模型；其中，所述深度神经网络模型包括：输入层、至少一个隐藏层、全连接层和Softmax功能层；将所述深度神经网络模型中的所述全连接层替换为NCM层，得到深度最近类均值模型。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于广东工业大学;赛尔网络有限公司，未经广东工业大学;赛尔网络有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910276985.3/，转载请声明来源钻瓜专利网。
