[发明专利]一种应用于深度卷积神经网络中的特征提取方法在审
| 申请号： | 201910955807.3 | 申请日： | 2019-10-09 |
| 公开（公告）号： | CN110689119A | 公开（公告）日： | 2020-01-14 |
| 发明（设计）人： | 刘奕彤;丁光磊;杨鸿文 | 申请（专利权）人： | 北京邮电大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 100876 *** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提出了一种应用于深度卷积神经网络中的特征提取方法。在本发明中，首先对局部待卷积数据进行线性运算，将得到输出结果再通过非线性激活函数激活输出。将激活后的输出值再次作为上述的局部待卷积数据并重复进行上述操作(至少一次)来实现线性运算和非线性激活函数的迭代。最后结合使用卷积运算中的滑动计算，来遍历所有的待卷积数据得到本算法特征提取的结果。本发明原理简单，易于使用现有的框架来快速实现并作加速计算，同时可以和目前已有的一些技术重叠使用。 | ||
| 搜索关键词： | 卷积 激活函数 线性运算 激活 卷积神经网络 卷积运算 输出结果 算法特征 特征提取 输出 滑动 遍历 迭代 重复 应用 | ||
【主权项】：
1.一种应用于深度卷积神经网络中的特征提取方法，在深度卷积神经网络中使用卷积层来做深层堆叠时，使用本专利发明的特征提取算法来替代传统的卷积，使网络模型提取更加抽象的高阶特征信息，提高网络模型的表现性能。本发明的特征在于如下步骤：/na)基于传统卷积滑动计算的基础上，每次只对待卷积数据的局部进行计算。/nb)首先，通过对局部待卷积数据进行线性运算。/nc)之后，将输出结果使用一个非线性函数进行激活输出。/nd)将激活函数的结果重新作为局部待卷积数据重复b)到c)的操作至少一次。/ne)到此输出即为当前滑动窗口的特征提取结果，将卷积核滑动到下一位置并得到下一组局部待卷积数据，重复b)到d)的操作，直至滑动遍历完整的待卷积数据。/nf)最终的输出即为一个非线性内核的卷积核输出结果。/n
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北京邮电大学，未经北京邮电大学许可，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/201910955807.3/，转载请声明来源钻瓜专利网。
