CN110110769A - 一种基于宽度径向基函数网络的图像分类方法 - Google Patents
一种基于宽度径向基函数网络的图像分类方法 Download PDFInfo
- Publication number
- CN110110769A CN110110769A CN201910331695.4A CN201910331695A CN110110769A CN 110110769 A CN110110769 A CN 110110769A CN 201910331695 A CN201910331695 A CN 201910331695A CN 110110769 A CN110110769 A CN 110110769A
- Authority
- CN
- China
- Prior art keywords
- image
- function network
- primary function
- radial primary
- classified
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 69
- 238000005070 sampling Methods 0.000 claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 abstract description 5
- 238000012163 sequencing technique Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 67
- 238000012549 training Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Neurology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于宽度径向基函数网络的图像分类方法,包括以下步骤:构建径向基函数网络;采用滑动窗口获得待处理图像的局部特征矩阵;通过宽度径向基函数网络对局部特征矩阵进行非线性变换,获得宽度径向基函数网络的输出数据;通过排序和下采样得到宽度径向基函数网络的高斯基函数输出,采用线性层权重对高斯基函数输出进行线性层连接,得到最终输出,即得到处理后的图像和训练后的宽度径向基函数网络。本发明采用滑动窗口获取待处理图像的局部特征,减少了隐藏层神经元个数,此外,采用排序和下采样的方式进一步减少了输出个数,解决了图像为尺寸较大时权值数指数增加的问题,从而可实现图像数据的高效分类。
Description
技术领域
本发明属于人工智能及机器学习技术领域,具体涉及一种基于宽度径向基函数网络的图像分类方法。
背景技术
近年来,深度学习在图像处理及机器视觉等领域取得了巨大成功,典型的深度网络有卷积神经网络、深度玻尔兹曼机以及深度信念网络等。但是,由于深度结构的网络结构日趋复杂,大量的网络超参数以及网络权重需要设置和调整,需要诸多先验经验;而且随着数据维数及数据集大小日趋增大,如此复杂结构的网络训练所需的时间也日趋增长,因而,限制了其在对时间响应要求较高的诸多场合的成功应用。
现有节省神经网络训练时间的方法是使用径向基函数网络,它具有训练时间短的优点,在诸如医学诊断、非线性系统建模和控制、机器人系统的自适应和自组织控制等领域得到了广泛应用。
如图1所示,现有径向基函数网络由两层组成,第一层为由高斯函数组成的隐藏层,把输入向量转换到另外一个非线性空间;第二层为输出层,把这个非线性空间的向量通过线性连接器连接输出。线性连接器的参数,也就是它的权重由最小均方方法计算,从而节省了径向基函数网络的训练时间。但是现有的径向基函数网络,在输入样本为高维数据时,具有与全连接网络的多层感知机类似的权值数指数增加的问题,使训练时间大大增加,因而限制了径向基函数网络的使用范围,使其难以在大规模图像处理中应用。
发明内容
针对上述缺陷,本发明提供了一种基于宽度径向基函数网络的图像分类方法,能够通过最小均方误差及随机化奇异值分解法实现快速训练学习;通过滑动窗口获取数据的局部特征并减少隐藏神经元个数,通过对输出数据的排序和采样,进一步减少径向基函数的输出个数,从而克服了传统径向基函数网络在数据维数增高时,隐藏神经元呈指数增长的问题,大大扩展了径向基函数网络的应用范围,解决了图像等高维数据的快速学习、分类问题。
为了达到上述目的,本发明采用以下技术方案予以解决。
一种基于宽度径向基函数网络的图像分类方法,包括以下步骤:
步骤1,获取待分类图像集构建径向基函数网络;
其中,M1×M2为待分类图像集中的每个图像的宽×高,其单位为像元;N为待分类图像集中的图像总个数。
步骤2,对所述待分类图像集中的每个待分类图像分别通过滑动窗口进行滑动取样,每滑动一次对应得到一组待分类图像的局部特征图像,滑动K次,得到对应的K组待分类图像的局部特征图像;对每组待分类图像的局部特征图像分别进行拉伸处理,得到K组待分类图像的局部特征矩阵xk(1≤k≤K)。
步骤3,将每组待分类图像的局部特征矩阵xk作为所述径向基函数网络的输入数据,得到K个径向基函数网络即为宽度径向基函数网络;采用宽度径向基函数网络对局部特征矩阵xk进行非线性变换,获得所述宽度径向基函数网络的输出数据Φk。
步骤4,对所述宽度径向基函数网络的输出数据Φk依次进行排序和下采样,得到对应的采样输出ΦkS,进而获取宽度径向基函数网络的高斯基函数输出Φ=[Φ1S,Φ2S,…,ΦKS]。
步骤5,对宽度径向基函数网络的高斯基函数输出Φ进行线性层连接,得到宽度径向基函数网络的最终输出Y,即得到分类后的图像。
本发明的进一步改进技术方案为:
(1)步骤1中,所述构建径向基函数网络为:采用高斯基函数作为基函数,采用待分类图像集的一个待分类图像作为径向基函数网络的中心,设定径向基函数网络的标准差为常数。
(2)步骤2中,所述通过滑动窗口进行滑动取样包含以下子步骤:
子步骤2.1,设定滑动窗口大小和滑动步长。
子步骤2.2,将滑动窗口在每个待分类图像样本上按滑动步长进行顺序滑动,每滑动一次对应得到一组待分类图像集的局部特征图像,依次获取每个待分类图像的局部特征图像。
进一步地,所述顺序滑动为自每个待分类图像的左上角从左至右、从上至下依次滑动。
(3)步骤2中,所述拉伸处理为:对每个待分类图像的局部特征图像分别将像元值作为元素组成对应的原始矩阵,将每个原始矩阵的第2至最后一列依次顺序排列至第1列后,得到一个列向量;将N个列向量顺序排列组成一组待分类图像样本的局部特征矩阵xk。
(4)步骤1中,设定所述径向基函数网络模型中包含N0k,(N0k>1)个高斯基函数则所述宽度径向基函数网络的输出数据
其中,(1≤i≤N0k)为包含N个元素的列向量。
(5)步骤4中,所述排序包含以下子步骤:
子步骤4.1,对所述宽度径向基函数网络的输出数据Φk进行列求和,得到每个待分类图像的局部特定位置的像元之和,对每个待分类图像的局部特定位置的像元之和进行降序排列,得到降序向量
子步骤4.2,采用索引sk将降序向量ak中每个待分类图像的局部特定位置对应的原始位置进行标记,得到排序的输出数据Φ′k=sort(Φk,sk)。
(6)步骤4中,所述下采样为设定下采样间隔NkS,对排序的输出数据Φ′k进行下采样,获取对应的采样输出ΦkS。
(7)所述线性层连接包含以下子步骤:
子步骤5.1,给定期望输出D,通过随机化奇异值分解法获取高斯基函数输出数据Φ的伪逆矩阵Φ+,进而获取线性层权值的最小均方估计
子步骤5.2,根据线性层权值的最小均方估计和期望输出D,通过最小化平方误差法得到线性层的权值W,进而获得宽度径向基函数网络的最终输出Y:
Y=ΦW;
即得到分类后的图像。
(8)子步骤5.1中,所述随机化奇异值分解法包含以下子步骤:
子步骤5.1.1,设定宽度径向基函数网络的高斯基函数输出期望的秩为l,指数为q,根据宽度径向基函数网络的高斯基函数输出Φ,生成标准高斯随机分布矩阵使标准高斯随机分布矩阵满足以下公式:
子步骤5.1.2,通过标准高斯随机分布矩阵获得中间矩阵Q,进而获得高斯基函数输出Φ的近似低秩矩阵Ψ=QTΦ;通过对近似低秩矩阵Ψ进行分解获得高斯基函数输出矩阵Φ的分解:Φ=U∑VT;进而得到高斯基函数输出矩阵Φ的伪逆矩阵Φ+=(UΣVT)+=V∑+UT。
其中,K1×K2为高斯基函数输出矩阵的维数;中间矩阵Q的列向量为最终输出Y的正交基;U和V为列正交矩阵,∑为非负对角矩阵。
与现有技术相比,本发明的有益效果为:
(1)本发明的宽度径向基函数网络由于采用最小化平方误差法计算权重,并且采用随机化奇异值分解方法计算伪逆矩阵,实现了宽度径向基函数网络的快速训练。
(2)本发明方法采用滑动窗口获取待分类图像的局部特征,减少了隐藏层神经元个数,此外,采用排序和下采样的方式进一步减少了输出个数,解决了图像为尺寸较大时权值数指数增加的问题,从而可实现图像数据的高效分类。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1为传统的径向基函数网络结构图。
图2为本发明的一种基于宽度径向基函数网络的图像分类方法中的宽度径向基函数网络结构图。
图3为本发明实施例中的MNIST手写数据图像。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述,但是本领域的技术人员将会理解,以下实施例仅用于说明本发明,而不应视为限制本发明的范围。
本发明实施例提供一种基于宽度径向基函数网络的图像分类方法,将MNIST手写数据集(如图3所示)作为待分类图像的原始来源,参考图2,利用宽度径向基函数网络对MNIST手写数据集进行分类处理,所述分类方法包括如下步骤:
(1)构建径向基函数网络
具体地,获取60000张MNIST手写数据的图像作为待分类图像集其中,M1×M2为待分类图像集中的每个待分类图像的宽×高,其单位为像元;待分类图像集包含10000张测试集图像,如图3所示,每幅图像为8位灰度手写数字0~9的图像,包含10类,图像大小为M1×M2=28×28。
构建包括N0k=1000个高斯基函数为的径向基函数网络,该径向基函数网络的中心为随机取自待分类图像集的一个待分类图像,标准差取值为常数。
(2)获得待分类图像的局部特征矩阵
具体地,设定滑动窗口大小为r=m×m,m=13,滑动步长取1个像元,从每组待分类图像的左上角开始,从左到右,从上到下依次滑动,每滑动一次对应得到一组待分类图像的局部特征图像,滑动K次,得到对应的K组待分类图像的局部特征图像。待分类图像集的样本数N=60000,把滑动窗口中的N个图像的3维图像块拉伸成为矩阵xk∈Rr×N,即对每个局部特征图像分别将像元作为元素组成对应的原始矩阵,将每个原始矩阵的第2至最后一列依次顺序排列至第1列后形成一个列向量;将N个列向量顺序排列组成一组待分类图像的局部特征矩阵xk(1≤k≤K)。其中,局部特征矩阵xk的每一列代表一个待分类图像。
(3)获得宽度径向基函数网络的输出数据Φk
具体地,将步骤2得到的局部特征矩阵xk输入给步骤1中构建的径向基函数网络,得到宽度径向基函数网络;也就是说,滑动窗口每次滑动对应一个径向基函数网络,最终滑动结束后,可得到K=(M1-m+1)(M2-m+1)=(28-13+1)×(28-13+1)=256个径向基函数网络。
通过宽度径向基函数网络对局部特征矩阵xk进行非线性变换,获得所述宽度径向基函数网络的输出数据其中,为包含N个元素的列向量。
(4)获取宽度径向基函数网络的高斯基函数输出Φ
具体地,针对每一个径向基函数网络,对其经过非线性变换的高斯基函数输出数据Φk依次进行排序和下采样。对所述宽度径向基函数网络的输出数据Φk的每一列进行列求和,得到一个行向量;其中,行向量中的每个元素代表待分类图像的某个特定位置处的像元之和。对该行向量进行降序排序,得到降序向量
采用索引sk将降序向量ak中每个元素对应的处于待分类图像中的原始位置进行标记,对应得到排序的输出数据Φ′k=sort(Φk,sk);对排序的输出数据进行下采样,设定下采样间隔NkS=20,经过下采样的输出数据的个数为:
则总的宽度径向基函数网络的输出数据个数为采样输出为ΦkS=subsample(Φ′k,NkS),则宽度径向基函数网络的高斯基函数输出为Φ=[Φ1S,Φ2S,…,ΦKS]。
(5)获得分类后的图像
具体地,设定期望的输出为D=[D1,D2,…,DC];对宽度径向基函数网络的高斯基函数输出进行线性层连接,则线性层的权重为:
W=[W1,W2,…,WC];
其中,C=10是待分类图像的类别总数。
得到宽度径向基函数网络的最终输出Y为:
Y=[Y1,Y2,…,YC]=ΦW;
具体地,通过最小化平方误差计算线性层的权重的最小均方估计具体公式为:
通过宽度径向基函数网络的高斯基函数输出Φ的伪逆矩阵计算线性层的权重的最小均方估计
其中,Φ+为宽度径向基函数网络的高斯基函数输出Φ的伪逆矩阵。
最终,计算得到宽度径向基函数网络的最终输出为:
进而获得分类后的图像,同时,得到了训练后的宽度径向基函数网络。
上述的伪逆矩阵Φ+通过随机化的奇异值分解方法求得。具体地计算过程如下:
假设宽度径向基函数网络的高斯基函数输出的近似低秩表示为:
其中,l为宽度径向基函数网络的高斯基函数输出Φ的数值秩,对于宽度径向基函数而言,K1=N=60000,K2=NS=12800。
如果l比K1和K2小,但是足够好去近似Φ,由于分解后的矩阵和比原矩阵Φ小,那么就可以很容易的加快计算过程,并且减少计算过程中的存储需求。
上述随机化奇异值分解方法包括以下步骤:
首先,生K2×2l标准高斯随机分布矩阵使最终输出可表示为:Y=(ΦΦT)qΦΩ,其中,q=1或q=2;
其次,构建需要正交的中间矩阵中间矩阵Q包括尽可能少的正交列,并且满足:
Φ≈QQTΦ,
中间矩阵Q的列向量为最终输出矩阵Y的正交基,进而可计算出高斯基函数输出Φ的近似低秩矩阵Ψ=QTΦ;
最后,对近似低秩矩阵Ψ进行奇异值分解:进而获得高斯基函数输出中的矩阵分解Φ=U∑VT,进而得到高斯基函数输出Φ的伪逆矩阵:
Φ+=(U∑VT)+=VΣ+UT;
其中,K1×K2为高斯基函数输出矩阵的维数;中间矩阵Q的列向量为最终输出Y的正交基;U和V为列正交矩阵,∑为非负对角矩阵。
由于分解后的矩阵比原矩阵小,因此,在高维数据的学习过程中能够节省学习时间。
对上述实施例得到的训练后的宽度径向基函数网络,在MNIST测试集上进行5次测试,得到的平均测试精度为98.76%;现有传统的径向基函数网络在相同测试参数下进行5次测试,得到的平均测试精度为97.41%,因此,本发明的宽度径向基函数网络对图像进行分类处理的结果准确度更高。同时,本发明的宽度径向基函数网络在进行图像处理的过程中采用滑动窗口获取待分类图像的局部特征,减少了隐藏层神经元个数;采用排序和下采样的方式进一步减少了输出数据的个数,解决了图像为高维数据时的权值数指数增加的问题。实现了图像的高效分类,使本方法可应用于图像数据的分类过程,大大扩展了径向基函数网络的应用范围。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些改动和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于宽度径向基函数网络的图像分类方法,其特征在于,包括以下步骤:
步骤1,获取待分类图像集构建径向基函数网络;
其中,M1×M2为待分类图像集中的每个图像的宽×高,其单位为像元;N为待分类图像集中的图像总个数;
步骤2,对所述待分类图像集中的每个待分类图像分别通过滑动窗口进行滑动取样,每滑动一次对应得到一组待分类图像的局部特征图像,滑动K次,得到对应的K组待分类图像的局部特征图像;对每组待分类图像的局部特征图像分别进行拉伸处理,得到K组待分类图像的局部特征矩阵xk(1≤k≤K);
步骤3,将每组待分类图像的局部特征矩阵xk作为所述径向基函数网络的输入数据,得到K个径向基函数网络即为宽度径向基函数网络;采用宽度径向基函数网络对局部特征矩阵xk进行非线性变换,获得所述宽度径向基函数网络的输出数据Φk;
步骤4,对所述宽度径向基函数网络的输出数据Φk依次进行排序和下采样,得到对应的采样输出ΦkS,进而获取宽度径向基函数网络的高斯基函数输出Φ=[Φ1S,Φ2S,…,ΦKS];
步骤5,对宽度径向基函数网络的高斯基函数输出Φ进行线性层连接,得到宽度径向基函数网络的最终输出Y,即得到分类后的图像。
2.根据权利要求1所述的基于宽度径向基函数网络的图像分类方法,其特征在于,步骤1中,所述构建径向基函数网络为采用高斯基函数作为基函数,随机选取待分类图像集的一个待分类图像作为径向基函数网络的中心,设定径向基函数网络的标准差为常数。
3.根据权利要求2所述的基于宽度径向基函数网络的图像分类方法,其特征在于,步骤2中,所述通过滑动窗口进行滑动取样,其包含以下子步骤:
子步骤2.1,设定滑动窗口大小和滑动步长;
子步骤2.2,将滑动窗口在每个待分类图像样本上按滑动步长进行顺序滑动,每滑动一次对应得到一组待分类图像集的局部特征图像,依次获取每个待分类图像的局部特征图像。
4.根据权利要求3所述的基于宽度径向基函数网络的图像分类方法,其特征在于,子步骤2.2中,所述顺序滑动为自每个待分类图像的左上角从左至右、从上至下依次滑动。
5.根据权利要求4所述的基于宽度径向基函数网络的图像分类方法,其特征在于,步骤2中,所述拉伸处理为:对每个待分类图像的局部特征图像分别将像元值作为元素组成对应的原始矩阵,将每个原始矩阵的第2至最后一列依次顺序排列至第1列后,得到一个列向量;将N个列向量顺序排列组成一组待分类图像样本的局部特征矩阵xk。
6.根据权利要求1所述的基于宽度径向基函数网络的图像分类方法,其特征在于,设定所述径向基函数网络中包含N0k(N0k>1)个高斯基函数则所述宽度径向基函数网络的输出数据
其中,为包含N个元素的列向量。
7.根据权利要求1所述的基于宽度径向基函数网络的图像分类方法,其特征在于,步骤4中,所述排序包含以下子步骤:
子步骤4.1,对所述宽度径向基函数网络的输出数据Φk进行列求和,得到每个待分类图像的局部特定位置的像元之和,对每个待分类图像的局部特定位置的像元之和进行降序排列,得到降序向量
子步骤4.2,采用索引sk将降序向量ak中每个待分类图像的局部特定位置的对应的原始位置进行标记,得到排序的输出数据Φ′k=sort(Φk,sk)。
8.根据权利要求7所述的基于宽度径向基函数网络的图像分类方法,其特征在于,步骤4中,所述下采样为设定下采样间隔NkS,对排序的输出数据Φ′k进行下采样,获取对应的采样输出ΦkS。
9.根据权利要求8所述的基于宽度径向基函数网络的图像分类方法,其特征在于,所述线性层连接包含以下子步骤:
子步骤5.1,给定期望输出D,通过随机化奇异值分解法获取高斯基函数输出数据Φ的伪逆矩阵Φ+,进而获取线性层权值的最小均方估计
子步骤5.2,根据线性层权值的最小均方估计和期望输出D,通过最小化平方误差法得到线性层的权值W,进而获得宽度径向基函数网络的最终输出Y:
Y=ΦW;
即得到分类后的图像。
10.根据权利要求9所述的基于宽度径向基函数网络的图像分类方法,其特征在于,子步骤5.1中,所述随机化奇异值分解法包含以下子步骤:
子步骤5.1.1,设定宽度径向基函数网络的高斯基函数输出期望的秩为l,指数为q,根据宽度径向基函数网络的高斯基函数输出Φ,生成标准高斯随机分布矩阵使标准高斯随机分布矩阵满足以下公式:
子步骤5.1.2,通过标准高斯随机分布矩阵获得中间矩阵Q,进而获得高斯基函数输出Φ的近似低秩矩阵Ψ=QTΦ;通过对近似低秩矩阵Ψ进行分解获得高斯基函数输出矩阵Φ的分解:Φ=U∑VT;进而得到高斯基函数输出矩阵Φ的伪逆矩阵Φ+=(U∑VT)+=V∑+UT;
其中,K1×K2为高斯基函数输出矩阵的维数;中间矩阵Q的列向量为最终输出Y的正交基;U和V为列正交矩阵,∑为非负对角矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910331695.4A CN110110769B (zh) | 2019-04-24 | 2019-04-24 | 一种基于宽度径向基函数网络的图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910331695.4A CN110110769B (zh) | 2019-04-24 | 2019-04-24 | 一种基于宽度径向基函数网络的图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110110769A true CN110110769A (zh) | 2019-08-09 |
CN110110769B CN110110769B (zh) | 2021-03-02 |
Family
ID=67486403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910331695.4A Active CN110110769B (zh) | 2019-04-24 | 2019-04-24 | 一种基于宽度径向基函数网络的图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110769B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021096381A1 (ru) * | 2019-11-15 | 2021-05-20 | Федеральное Государственное Автономное Образовательное Учреждение Высшего Образования "Московский Физико-Технический Институт" (Национальный Исследовательский Университет) (Мфти) | Способ и система обезличивания документов, содержащих персональные данные |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799864A (zh) * | 2010-01-15 | 2010-08-11 | 北京工业大学 | 基于血管内超声波图像的动脉斑块类型自动识别方法 |
US20140204092A1 (en) * | 2012-04-09 | 2014-07-24 | The Regents Of The University Of California | Classification of high dimensional data |
CN108615050A (zh) * | 2018-04-11 | 2018-10-02 | 南京邮电大学 | 一种基于支持向量机的人体姿态判别方法 |
CN109325551A (zh) * | 2018-11-21 | 2019-02-12 | 广东工业大学 | 结合径向基函数和核主成分分析的太赫兹光谱识别方法 |
-
2019
- 2019-04-24 CN CN201910331695.4A patent/CN110110769B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799864A (zh) * | 2010-01-15 | 2010-08-11 | 北京工业大学 | 基于血管内超声波图像的动脉斑块类型自动识别方法 |
US20140204092A1 (en) * | 2012-04-09 | 2014-07-24 | The Regents Of The University Of California | Classification of high dimensional data |
CN108615050A (zh) * | 2018-04-11 | 2018-10-02 | 南京邮电大学 | 一种基于支持向量机的人体姿态判别方法 |
CN109325551A (zh) * | 2018-11-21 | 2019-02-12 | 广东工业大学 | 结合径向基函数和核主成分分析的太赫兹光谱识别方法 |
Non-Patent Citations (1)
Title |
---|
马莉等: "滑动窗与修剪技术的动态模糊神经网络方法研究", 《中山大学学报(自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021096381A1 (ru) * | 2019-11-15 | 2021-05-20 | Федеральное Государственное Автономное Образовательное Учреждение Высшего Образования "Московский Физико-Технический Институт" (Национальный Исследовательский Университет) (Мфти) | Способ и система обезличивания документов, содержащих персональные данные |
Also Published As
Publication number | Publication date |
---|---|
CN110110769B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106683048B (zh) | 一种图像超分辨率方法及设备 | |
KR20180004898A (ko) | 딥러닝 기반의 이미지 처리 기술 및 그 방법 | |
CN111639679A (zh) | 一种基于多尺度度量学习的小样本学习方法 | |
CN112818764B (zh) | 一种基于特征重建模型的低分辨率图像人脸表情识别方法 | |
CN106599863A (zh) | 一种基于迁移学习技术的深度人脸识别方法 | |
CN105046272B (zh) | 一种基于简洁非监督式卷积网络的图像分类方法 | |
CN109886391B (zh) | 一种基于空间正反对角卷积的神经网络压缩方法 | |
CN111401156B (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
CN109376787B (zh) | 流形学习网络及基于其的计算机视觉图像集分类方法 | |
CN106203625A (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
CN111242063A (zh) | 基于迁移学习的小样本分类模型构造方法及虹膜分类应用 | |
CN110110845B (zh) | 一种基于并行多级宽度神经网络的学习方法 | |
CN114943345B (zh) | 基于主动学习和模型压缩的联邦学习全局模型训练方法 | |
CN107491729B (zh) | 基于余弦相似度激活的卷积神经网络的手写数字识别方法 | |
CN112418261B (zh) | 一种基于先验原型注意力机制的人体图像多属性分类方法 | |
CN106874879A (zh) | 基于多特征融合和深度学习网络提取的手写数字识别方法 | |
CN114399533B (zh) | 一种基于多层次注意力机制的单目标追踪方法 | |
Jassmann et al. | Leaf classification utilizing a convolutional neural network | |
CN111967573A (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
CN117079098A (zh) | 一种基于位置编码的空间小目标检测方法 | |
Xue et al. | Research on edge detection operator of a convolutional neural network | |
CN109858618B (zh) | 一种卷积神经单元块、构成的神经网络及图像分类方法 | |
Zheng et al. | Extracting non-negative basis images using pixel dispersion penalty | |
CN110110769A (zh) | 一种基于宽度径向基函数网络的图像分类方法 | |
CN104572930B (zh) | 数据分类方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |