CN106529574A - 基于稀疏自动编码器和支持向量机的图像分类方法 - Google Patents
基于稀疏自动编码器和支持向量机的图像分类方法 Download PDFInfo
- Publication number
- CN106529574A CN106529574A CN201610905525.9A CN201610905525A CN106529574A CN 106529574 A CN106529574 A CN 106529574A CN 201610905525 A CN201610905525 A CN 201610905525A CN 106529574 A CN106529574 A CN 106529574A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- feature
- layer
- svms
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 20
- 230000002068 genetic effect Effects 0.000 claims description 17
- 210000000349 chromosome Anatomy 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000010187 selection method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 101150084750 1 gene Proteins 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 claims description 2
- 210000004940 nucleus Anatomy 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
基于稀疏自动编码器和支持向量机的图像分类方法，包括以下步骤：获取训练图像集和测试图像集；构建多隐含层的深度稀疏自动编码器，对深度稀疏自动编码器进行训练，直到满足训练条件。将测试图像集输入到训练好的深度稀疏自动编码器进行逐层学习；并用提出的特征权值结合法对每个特征集分配一个特征权值，最后将每层隐含层获得的特征集和对应的权值结合成一个新的待分类图像特征集；将训练图像特征集作为训练样本对支持向量机分类器进行训练，达到支持向量机最优分类性能；将得到的待分类图像特征集输入到优化后的支持向量机，进行图像分类并得到分类准确率。本发明有效的提高了图像的分类准确率，具有良好的泛化能力和适用范围。
Description
技术领域
本发明涉及一种图像分类方法，属于模式识别与智能计算、图像处理技术领域，特别涉及一种基于稀疏自动编码器和支持向量机的图像分类方法。
背景技术
随着信息技术的发展，图像数据急剧增长，对图像处理的需求也大大增加，在现实生活中，由于图像模糊、字体不清晰以及拍摄视角等因素，所采集的图像质量往往不高，这就影响了图像分类的准确性。传统的图像分类技术大都基于大规模计算，它们的计算量和计算精度之间往往存在一定的矛盾。在早期的图像分类研究中，是对图像底层特征进行研究，一般采用纹理、颜色和形状等低级特征表示图像信息，然后根据提取到的特征进行图像分类。虽然纹理、颜色和形状等低级特征在一定条件下能够很好的表示图像，但是该方法适应能力差，且底层特征和高层特征之间会出现“语义鸿沟”问题。为了解决“语义鸿沟”问题，出现了描述图像信息的中层语义，基于底层特征和语义的图像分类，图像的特征是根据先验知识人工设计的，且有些图像的先验知识很难获取，因此图像的底层特征和语义特征识别力低，进而影响图像的分类准确率。
近年来，深度学习思想的提出，为机器学习的带来了新的研究领域。深度学习是建立、模拟人脑进行学习时的神经网络，模拟人脑学习机制来处理数据。稀疏自动编码器是人工神经网络的一种特殊学习模型，它的输出与输入是相同的，加入一定的限制条件，将大部分节点置零，只有少数节点非零，稀疏自动编码器通过训练调整其参数，使得输入的样本经过编码变换后又通过解码变换尽可能的复现原来的特征，具有较好的特征提取能力。支持向量机在解决非线性及高维分类问题时具有明显优势，在解决多分类的图像方面有较好的分类效果。
现有的方法存在的不足：一方面：单层稀疏自动编码器在特征学习时不易提取到完整、深层的抽象特征，因此会丢失一部分特征信息，使得特征缺乏鲁棒性，进而影响图像分类的准确率；另一方面：支持向量机会受到参数、核函数等因素的影响，支持向量机性能的好坏会影响最终的图像分类准确率。
发明内容
本发明的目的旨在解决上述技术缺陷，自动地提取图像深层次抽象特征，提高特征识别力，提高分类器的分类性能，进而提高图像的分类准确率。
为达到上述目的，本发明提出一种基于稀疏自动编码器和支持向量机的图像分类方法，包括以下步骤：
S1：获取训练图像集和测试图像集；
S2：构建多隐含层的深度稀疏自动编码器，输入训练图像集，对深度稀疏自动编码器进行训练，直到满足训练条件。
S3：将测试图像集输入到训练好的深度稀疏自动编码器进行逐层学习，每层隐含层提取到一个特征集信息；并用提出的特征权值结合法对每个特征集分配一个特征权值，最后将每层隐含层获得的特征集和对应的权值结合成一个新的待分类图像特征集；
S4：将训练图像特征集作为训练样本对支持向量机分类器进行训练，并采用遗传算法对支持向量机进行优化，选择出支持向量机的最优参数，达到支持向量机最优分类性能；
S5：将得到的待分类图像特征集输入到优化后的支持向量机，进行图像分类并得到分类准确率。
有益效果
根据本发明实施例的基于稀疏自动编码器和支持向量机的图像分类方法，本方法在特征提取方面，采用了多隐含层的稀疏自动编码器来进行特征学习，每经过一个隐含层都会得到一个特征表达。然后根据提出的特征权值结合法对每层隐含层得到的特征集分配一个特征权值，最后，每个特征集和相应的权值结合成一个新的待分类图像特征集，新特征集具有完整、抽象的深层特征信息，具有较高的特征识别力。
针对支持向量机的分类性能易受到参数、核函数等因素的影响，采用遗传算法优化支持向量机，遗传算法能在最短时间内全局搜索到最优的点，即能达到支持向量机最优分类性能的参数。仿真实验表明，本发明能自动地提取图像深层抽象特征，提高了特征识别力，有效的提高了图像的分类准确率，具有良好的泛化能力和适用范围。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例的基于稀疏自动编码器和支持向量机的图像分类方法的流程图；以及
图2为本发明一个实施例的一个三隐含层的深度稀疏自动编码器示意图；以及
图3为本发明一个实施例的遗传算法优化支持向量机的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
如图1所示，根据本发明基于稀疏自动编码器和支持向量机的图像分类方法，包括以下几个步骤：
S1：获取训练图像集和测试图像集；
S2：构建多隐含层的深度稀疏自动编码器，输入训练图像集，对深度稀疏自动编码器进行训练，直到满足训练条件。
深度稀疏自动编码器首先要进行网络训练，具体训练过程如下：
1)将训练图像集作为输入层，将x＝h0作为稀疏自动编码器的可视层，训练出第一层隐含层。
x为可视层向量即输入层，h是隐含层向量，第n层隐含层向量就是hn，所以此处的h0和x的含义相同，即输入层，也叫可视层。
2)用第一层得到的图像特征作为输入数据到第二层中。
3)利用第2步的数据训练第二层，同样运用稀疏自动编码器模型。
4)重复上述2、3步骤，直到训练到所需要的层数N。
5)用BP算法对网络进行微调，使所有的参数都被优化。
S3：将测试图像集输入到训练好的深度稀疏自动编码器进行逐层学习，每层隐含层提取到一个特征集信息；并用提出的特征权值结合法对每个特征集分配一个特征权值，最后将每层隐含层获得的特征集和对应的权值结合成一个新的待分类图像特征集；
具体分为以下3个小步骤：
S3.1：将测试图像集输入到训练好的深度稀疏自动编码器进行逐层学习，提取图像特征，经过多个隐含层，得到了从简单的边缘特征到深层抽象的特征表达，每层隐含层都会提取到一个特征集Si，直到得到N个特征集，N为正整数；
S3.2：为了提高特征的识别力，提出特征权值结合法。按照如下公式，为每层隐含层得到的特征集分配一个特征权值W，其中，第i个特征集在整个深度稀疏自动编码器所占权值为Wi，且权值Wi满足下式：
Wi＝i·W i＝1,…,N
S3.3：将每层隐含层得到的特征集和对应的特征权值结合成一个新特征集T，作为待分类的特征集，新特征集T的表达式为：
S4：将训练图像特征集作为训练样本对支持向量机分类器进行训练，并采用遗传算法对支持向量机进行优化，选择出支持向量机的最优参数，达到支持向量机最优分类性能；
遗传算法对支持向量机的寻优步骤如下：
S4.1：确定种群大小、最大迭代次数等各参数，随机产生初始化种群，生成种群个体；
本方法中，种群数量设为20，最大的进化代数设为200，支持向量机参数C的变化范围设为(0,100]，参数γ的变化范围为(0,1]。
S4.2：将种群中个体基因串解码为相应的核函数、核函数参数及错误惩罚因子，并带入支持向量机进行训练和测试；
利用遗传算法对支持向量机分类器的参数寻优，首先需要对核函数、核函数参数以及错误惩罚因子进行遗传编码。本方法对所有参数都采用二进制编码。基因串的编码格式如下表所示：
表1基因串的编码格式
| C0 | C1 | C2 | C3 | … | … | … | cn+1 | cn+2 | … | … | … | … | cn+m+1 |
表1中，c0和c1为SVM的核函数类型的二进制编码，总共有四种类型的核函数。核函数参数的编码为n位，错误惩罚因子的编码为m位，都是在取值范围内的二进制编码。所以，n+m+2位的二进制编码组合就是个体基因串的编码表示。
S4.3：通过适应度函数计算初始种群中每个个体的适应度值，并保留当前种群中的最优和最差个体；
遗传算法的目标是对支持向量机参数寻优，达到支持向量机的最优分类性能，遗传算法中的评价标准即适应度来评判种群进化的优劣。本方法中将测试样本的准确率ACCtest加上一个很小的常数c再取倒数后的值作为种群适应度的评价函数Fit，评价函数Fit适应度的值采用下式计算：
Fit＝1/(ACCtest+c)
S4.4：判断是否满足终止条件，若满足则终止迭代，得到最优个体，种群选出最优解；否则，执行S4.5步；
S4.5：执行选择、交叉和变异操作；
在选择操作中，本方法采用赌轮选择法和最优保留、最差替换准则相结 合的选择方式。赌轮选择法的个体被选中的概率与其适应度函数成正比，群体中每一个染色体指定饼图中的一小块区域，区域大小与染色体的适应性成比例，染色体适应性越高，与其对应的区域面积越大。为了选取染色体，旋转轮盘，最后指针停下指向的区域就是所选择的染色体。
交叉概率Pc和变异概率Pm的选择是影响遗传算法行为和性能的关键所在，直接影响算法的收敛性，交叉算子在遗传算法中起核心作用，变异运算是改变群体中的个体串的某些基因座上的基因值。本方法采用的自适应Pc和Pm的计算公式如下：
其中，Pc1和Pc2分别为个体的最大和最小交叉概率，Pm1和Pm2分别为个体的最大和最小变异概率，Pc1、Pc2、Pm1和Pm2都是区间(0,1)上的常数。fmax是群体中最大的适应度值，favg是每代中的平均适应度值，f是要变异个体的适应度值，f′是要交叉的两个个体中大的适应度值。
S4.6：并计算新生成的子代种群中每个个体的适应度值，并保留当前种群中的最优和最差个体；
至此就完成了一组训练样本的训练过程，然后迭代重复以上步骤，直至达到S4.4中的终止条件。
S4.7：执行最优保留，最差替换准则；
最优保留，最差替换准则就是种群中适应度最高的个体不参加交叉和变异运算，而是用它来替换掉本代种群中经过交叉、变异等运算后产生的适应度最低的个体。
S5：将得到的待分类图像特征集输入到优化后的支持向量机，进行图像分类并得到分类准确率。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改替换和变形，本发明的范围有所附权利要求及其等同限定。
Claims (2)
1.基于稀疏自动编码器和支持向量机的图像分类方法，其特征在于：该方法包括以下步骤，
S1：获取训练图像集和测试图像集；
S2：构建多隐含层的深度稀疏自动编码器，输入训练图像集，对深度稀疏自动编码器进行训练，直到满足训练条件；
S3：将测试图像集输入到训练好的深度稀疏自动编码器进行逐层学习，每层隐含层提取到一个特征集信息；并用提出的特征权值结合法对每个特征集分配一个特征权值，最后将每层隐含层获得的特征集和对应的权值结合成一个新的待分类图像特征集；
S4：将训练图像特征集作为训练样本对支持向量机分类器进行训练，并采用遗传算法对支持向量机进行优化，选择出支持向量机的最优参数，达到支持向量机最优分类性能；
S5：将得到的待分类图像特征集输入到优化后的支持向量机，进行图像分类并得到分类准确率。
2.根据权利要求1所述的基于稀疏自动编码器和支持向量机的图像分类方法，其特征在于：
S1：获取训练图像集和测试图像集；
S2：构建多隐含层的深度稀疏自动编码器，输入训练图像集，对深度稀疏自动编码器进行训练，直到满足训练条件；
深度稀疏自动编码器首先要进行网络训练，具体训练过程如下：
1)将训练图像集作为输入层，将x＝h0作为稀疏自动编码器的可视层，训练出第一层隐含层；
x为可视层向量即输入层，h是隐含层向量，第n层隐含层向量就是hn，所以此处的h0和x的含义相同，即输入层，也叫可视层；
2)用第一层得到的图像特征作为输入数据到第二层中；
3)利用第2步的数据训练第二层，同样运用稀疏自动编码器模型；
4)重复上述2、3步骤，直到训练到所需要的层数N；
5)用BP算法对网络进行微调，使所有的参数都被优化；
S3：将测试图像集输入到训练好的深度稀疏自动编码器进行逐层学习，每层隐含层提取到一个特征集信息；并用提出的特征权值结合法对每个特征集分配一个特征权值，最后将每层隐含层获得的特征集和对应的权值结合成一个新的待分类图像特征集；
具体分为以下3个小步骤：
S3.1：将测试图像集输入到训练好的深度稀疏自动编码器进行逐层学习，提取图像特征，经过多个隐含层，得到了从简单的边缘特征到深层抽象的特征表达，每层隐含层都会提取到一个特征集Si，直到得到N个特征集，N为正整数；
S3.2：为了提高特征的识别力，提出特征权值结合法；按照如下公式，为每层隐含层得到的特征集分配一个特征权值W，其中，第i个特征集在整个深度稀疏自动编码器所占权值为Wi，且权值Wi满足下式：
Wi＝i·W i＝1，...，N
S3.3：将每层隐含层得到的特征集和对应的特征权值结合成一个新特征集T，作为待分类的特征集，新特征集T的表达式为：
S4：将训练图像特征集作为训练样本对支持向量机分类器进行训练，并采用遗传算法对支持向量机进行优化，选择出支持向量机的最优参数，达到支持向量机最优分类性能；
遗传算法对支持向量机的寻优步骤如下：
S4.1：确定种群大小、最大迭代次数等各参数，随机产生初始化种群，生成种群个体；
本方法中，种群数量设为20，最大的进化代数设为200，支持向量机参数C的变化范围设为(0，100]，参数γ的变化范围为(0，1]；
S4.2：将种群中个体基因串解码为相应的核函数、核函数参数及错误惩罚因子，并带入支持向量机进行训练和测试；
利用遗传算法对支持向量机分类器的参数寻优，首先需要对核函数、核函数参数以及错误惩罚因子进行遗传编码；本方法对所有参数都采用二进制编码；基因串的编码格式如下表所示：
表1基因串的编码格式
表1中，c0和c1为SVM的核函数类型的二进制编码，总共有四种类型的核函数；核函数参数的编码为n位，错误惩罚因子的编码为m位，都是在取值范围内的二进制编码；所以，n+m+2位的二进制编码组合就是个体基因串的编码表示；
S4.3：通过适应度函数计算初始种群中每个个体的适应度值，并保留当前种群中的最优和最差个体；
遗传算法的目标是对支持向量机参数寻优，达到支持向量机的最优分类性能，遗传算法中的评价标准即适应度来评判种群进化的优劣；本方法中将测试样本的准确率ACCtest加上一个很小的常数c再取倒数后的值作为种群适应度的评价函数Fit，评价函数Fit适应度的值采用下式计算：
Fit＝1/(ACCtest+c)
S4.4：判断是否满足终止条件，若满足则终止迭代，得到最优个体，种群选出最优解；否则，执行S4.5步；
S4.5：执行选择、交叉和变异操作；
在选择操作中，本方法采用赌轮选择法和最优保留、最差替换准则相结合的选择方式；赌轮选择法的个体被选中的概率与其适应度函数成正比，群体中每一个染色体指定饼图中的一小块区域，区域大小与染色体的适应性成比例，染色体适应性越高，与其对应的区域面积越大；为了选取染色体，旋转轮盘，最后指针停下指向的区域就是所选择的染色体；
交叉概率Pc和变异概率Pm的选择是影响遗传算法行为和性能的关键所在，直接影响算法的收敛性，交叉算子在遗传算法中起核心作用，变异运算是改变群体中的个体串的某些基因座上的基因值；本方法采用的自适应Pc和Pm的计算公式如下：
其中，Pc1和Pc2分别为个体的最大和最小交叉概率，Pm1和Pm2分别为个体的最大和最小变异概率，Pc1、Pc2、Pm1和Pm2都是区间(0，1)上的常数；fmax是群体中最大的适应度值，favg是每代中的平均适应度值，f是要变异个体的适应度值，f′是要交叉的两个个体中大的适应度值；
S4.6：并计算新生成的子代种群中每个个体的适应度值，并保留当前种群中的最优和最差个体；
至此就完成了一组训练样本的训练过程，然后迭代重复以上步骤，直至达到S4.4中的终止条件；
S4.7：执行最优保留，最差替换准则；
最优保留，最差替换准则就是种群中适应度最高的个体不参加交叉和变异运算，而是用它来替换掉本代种群中经过交叉、变异等运算后产生的适应度最低的个体；
S5：将得到的待分类图像特征集输入到优化后的支持向量机，进行图像分类并得到分类准确率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610905525.9A CN106529574B (zh) | 2016-10-17 | 2016-10-17 | 基于稀疏自动编码器和支持向量机的图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610905525.9A CN106529574B (zh) | 2016-10-17 | 2016-10-17 | 基于稀疏自动编码器和支持向量机的图像分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106529574A true CN106529574A (zh) | 2017-03-22 |
| CN106529574B CN106529574B (zh) | 2019-09-27 |
Family
ID=58332090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610905525.9A Expired - Fee Related CN106529574B (zh) | 2016-10-17 | 2016-10-17 | 基于稀疏自动编码器和支持向量机的图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106529574B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016371A (zh) * | 2017-04-09 | 2017-08-04 | 北京工业大学 | 基于改进的深度置信网络的无人机着陆地貌分类方法 |
| CN107748895A (zh) * | 2017-10-29 | 2018-03-02 | 北京工业大学 | 基于dct‑cnn模型的无人机着陆地貌图像分类方法 |
| CN107918772A (zh) * | 2017-12-10 | 2018-04-17 | 北京工业大学 | 基于压缩感知理论和gcForest的目标跟踪方法 |
| CN109325875A (zh) * | 2018-08-31 | 2019-02-12 | 合肥工业大学 | 基于在线社交用户隐特征的隐式群体发现方法 |
| CN109934615A (zh) * | 2019-01-22 | 2019-06-25 | 中信银行股份有限公司 | 基于深度稀疏网络的产品营销方法 |
| CN110132554A (zh) * | 2019-04-17 | 2019-08-16 | 东南大学 | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 |
| CN110458240A (zh) * | 2019-08-16 | 2019-11-15 | 集美大学 | 一种三相桥式整流器故障诊断方法、终端设备及存储介质 |
| CN111275078A (zh) * | 2020-01-13 | 2020-06-12 | 南京航空航天大学 | 一种用于零件图像识别的支持向量机的优化方法 |
| CN111612771A (zh) * | 2020-05-22 | 2020-09-01 | 江苏联峰实业有限公司 | 一种高强合金结构钢板表面细微裂纹的识别监测装置 |
| CN112380945A (zh) * | 2020-11-06 | 2021-02-19 | 中国电力科学研究院有限公司 | 一种输电通道环境隐患的识别方法和系统 |
| CN112466401A (zh) * | 2019-09-09 | 2021-03-09 | 华为技术有限公司 | 利用人工智能ai模型组分析多类数据的方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886336A (zh) * | 2014-04-09 | 2014-06-25 | 西安电子科技大学 | 基于稀疏自动编码器的极化sar图像分类方法 |
| CN104156736A (zh) * | 2014-09-05 | 2014-11-19 | 西安电子科技大学 | 基于sae和idl的极化sar图像分类方法 |
| CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
| CN105975988A (zh) * | 2016-04-29 | 2016-09-28 | 东莞理工学院 | 基于卷积谱自动编码支持向量机的齿轮故障测试方法 |
-
2016
- 2016-10-17 CN CN201610905525.9A patent/CN106529574B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886336A (zh) * | 2014-04-09 | 2014-06-25 | 西安电子科技大学 | 基于稀疏自动编码器的极化sar图像分类方法 |
| CN104156736A (zh) * | 2014-09-05 | 2014-11-19 | 西安电子科技大学 | 基于sae和idl的极化sar图像分类方法 |
| CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
| CN105975988A (zh) * | 2016-04-29 | 2016-09-28 | 东莞理工学院 | 基于卷积谱自动编码支持向量机的齿轮故障测试方法 |
Non-Patent Citations (3)
| Title |
|---|
| HONGPENG YIN 等: "Scene classification based on single-layer SAE and SVM", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
| 张东东: "基于遗传算法的支持向量机分类算法", 《协议.算法及仿真》 * |
| 林少飞 等: "基于堆叠稀疏自动编码器的手写数字分类", 《微处理机》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016371A (zh) * | 2017-04-09 | 2017-08-04 | 北京工业大学 | 基于改进的深度置信网络的无人机着陆地貌分类方法 |
| CN107748895A (zh) * | 2017-10-29 | 2018-03-02 | 北京工业大学 | 基于dct‑cnn模型的无人机着陆地貌图像分类方法 |
| CN107748895B (zh) * | 2017-10-29 | 2021-06-25 | 北京工业大学 | 基于dct-cnn模型的无人机着陆地貌图像分类方法 |
| CN107918772B (zh) * | 2017-12-10 | 2021-04-30 | 北京工业大学 | 基于压缩感知理论和gcForest的目标跟踪方法 |
| CN107918772A (zh) * | 2017-12-10 | 2018-04-17 | 北京工业大学 | 基于压缩感知理论和gcForest的目标跟踪方法 |
| CN109325875A (zh) * | 2018-08-31 | 2019-02-12 | 合肥工业大学 | 基于在线社交用户隐特征的隐式群体发现方法 |
| CN109325875B (zh) * | 2018-08-31 | 2021-08-10 | 合肥工业大学 | 基于在线社交用户隐特征的隐式群体发现方法 |
| CN109934615A (zh) * | 2019-01-22 | 2019-06-25 | 中信银行股份有限公司 | 基于深度稀疏网络的产品营销方法 |
| CN109934615B (zh) * | 2019-01-22 | 2021-07-13 | 中信银行股份有限公司 | 基于深度稀疏网络的产品营销方法 |
| CN110132554B (zh) * | 2019-04-17 | 2020-10-09 | 东南大学 | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 |
| CN110132554A (zh) * | 2019-04-17 | 2019-08-16 | 东南大学 | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 |
| CN110458240A (zh) * | 2019-08-16 | 2019-11-15 | 集美大学 | 一种三相桥式整流器故障诊断方法、终端设备及存储介质 |
| CN112466401A (zh) * | 2019-09-09 | 2021-03-09 | 华为技术有限公司 | 利用人工智能ai模型组分析多类数据的方法及装置 |
| CN112466401B (zh) * | 2019-09-09 | 2024-04-09 | 华为云计算技术有限公司 | 利用人工智能ai模型组分析多类数据的方法及装置 |
| CN111275078A (zh) * | 2020-01-13 | 2020-06-12 | 南京航空航天大学 | 一种用于零件图像识别的支持向量机的优化方法 |
| CN111612771A (zh) * | 2020-05-22 | 2020-09-01 | 江苏联峰实业有限公司 | 一种高强合金结构钢板表面细微裂纹的识别监测装置 |
| CN112380945A (zh) * | 2020-11-06 | 2021-02-19 | 中国电力科学研究院有限公司 | 一种输电通道环境隐患的识别方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106529574B (zh) | 2019-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106529574A (zh) | 基于稀疏自动编码器和支持向量机的图像分类方法 | |
| CN109145939B (zh) | 一种小目标敏感的双通道卷积神经网络语义分割方法 | |
| CN108717568B (zh) | 一种基于三维卷积神经网络的图像特征提取与训练方法 | |
| CN105488528B (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
| CN101271572B (zh) | 基于免疫克隆选择聚类的图像分割方法 | |
| CN108573491A (zh) | 一种基于机器学习的三维超声图像分割方法 | |
| CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
| CN110473592B (zh) | 一种多视角人类协同致死基因预测方法 | |
| CN108090658A (zh) | 基于时域特征参数融合的电弧故障诊断方法 | |
| CN101447020B (zh) | 基于直觉模糊的色情图像识别方法 | |
| CN107229904A (zh) | 一种基于深度学习的目标检测与识别方法 | |
| CN107622182A (zh) | 蛋白质局部结构特征的预测方法及系统 | |
| CN106446942A (zh) | 基于增量学习的农作物病害识别方法 | |
| CN103942571B (zh) | 一种基于遗传规划算法的图形图像分类方法 | |
| CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
| CN104778475B (zh) | 一种基于环形区域最大频繁视觉单词的图像分类方法 | |
| CN103914705B (zh) | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 | |
| CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
| CN104268593A (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
| CN101866490B (zh) | 基于差分免疫克隆聚类的图像分割方法 | |
| CN112508104A (zh) | 一种基于快速网络架构搜索的跨任务图像分类方法 | |
| CN109740734A (zh) | 一种优化卷积神经网络中神经元空间排布的方法 | |
| CN110363230A (zh) | 基于加权基分类器的stacking集成污水处理故障诊断方法 | |
| CN106650933A (zh) | 基于协同进化和反向传播的深度神经网络优化方法 | |
| CN112215278B (zh) | 一种遗传算法和蜻蜓算法相结合的多维数据特征选择方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190927 |