[发明专利]一种基于深度学习的机器学习识别方法

摘要

本发明提供了一种基于深度学习的机器学习识别方法，能够利用已知类别的一定量的多媒体数据样本采用不同的对比样本输入排列顺序对机器学习模型f1进行多次区别化的学习训练，并利用学习所得的机器学习模型f1进行多媒体数据类别识别处理，机器学习模型f1选用卷积神经网络模型或全连接神经网络模型，大幅降低了对海量训练样本的依赖，并且能够方便的扩展对未经过学习训练的多媒体数据类别进行类别识别，很好的解决了现有多媒体数据分类机器学习识别方法因对大量训练样本的依赖以及因无法直接对未经学习训练的类别进行分类识别而导致实际应用性、通用性受限的问题，能够更加广泛有效的应用到更多的具体的多媒体数据分类使用场合中。

主权项

1.一种基于深度学习的机器学习识别方法，其特征在于，在多个不同已知类别的多媒体数据之中选取目标识别样本和对比样本，作为一个机器学习模型f1的输入，对机器学习模型f1进行学习训练，进而利用学习训练后的机器学习模型f1对待识别多媒体数据进行类别识别；所述机器学习模型f1为卷积神经网络模型或全连接神经网络模型，所选取的对比样本包含两个以上的不同类别的多个多媒体数据，且设置对比样本输入至机器学习模型f1的输入排列顺序，并根据所述对比样本输入排列顺序，将目标识别样本与对比样本以预设定的组合规则进行组合，由此形成保留有对比样本输入排列顺序规则的多个数据样本组合，再将各数据样本组合按照所述对比样本输入排列顺序规则排序构成一个数据向量，作为所述机器学习模型f1的输入向量，使得所述机器学习模型f1输出一个相应的结果向量；由此通过训练学习，使得学习训练所得的机器学习模型f1输出的结果向量中的每一个结果向量元素用以表征目标识别样本与相应排列顺序位置上的一个对比样本所属类别之间的相关性，从而能够利用已知类别的多媒体数据样本采用不同的对比样本输入排列顺序对所述机器学习模型f1进行多次的学习训练。