CN110569781B - 一种基于改进胶囊网络的时间序列分类方法 - Google Patents

一种基于改进胶囊网络的时间序列分类方法 Download PDF

Info

Publication number
CN110569781B
CN110569781B CN201910836015.4A CN201910836015A CN110569781B CN 110569781 B CN110569781 B CN 110569781B CN 201910836015 A CN201910836015 A CN 201910836015A CN 110569781 B CN110569781 B CN 110569781B
Authority
CN
China
Prior art keywords
layer
capsule
output
network
size
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.)
Active
Application number
CN201910836015.4A
Other languages
English (en)
Other versions
CN110569781A (zh
Inventor
苗红霞
张衡
贾澜
齐本胜
王建鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201910836015.4A priority Critical patent/CN110569781B/zh
Publication of CN110569781A publication Critical patent/CN110569781A/zh
Application granted granted Critical
Publication of CN110569781B publication Critical patent/CN110569781B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于改进胶囊网络的时间序列分类方法，包括以下步骤：从原始数据中截取一维时间序列信号，使用改进型递归图将其转化成二维纹理图像，构建胶囊网络的整体结构框架；根据转化后二维纹理图像的尺寸大小，合理选用卷积层对二维纹理图像进行特征提取；将卷积层提取出的特征数据输入PrimaryCaps层，把二维纹理图像的特征数据重建为矢量；使用基于Softmax激活函数改进的EM路由算法更新ConvCaps1层和ConvCaps2层的参数；使用交叉熵损失函数计算网络损失值进行网络参数的更新；最终通过Class Capsules层进行投票确定时间序列信号的类别。

Description

一种基于改进胶囊网络的时间序列分类方法
技术领域
本发明属于时间序列信号分类领域，是一种基于改进型胶囊网络的时间序列信号分类方法。
背景技术
时间序列数据广泛地存在于日常的生产和生活之中，是一种非常常见的数据类型。作为时间序列研究领域的一个重要分支，时间序列分类已成为当前时间序列研究的热点。时间序列数据具有有序性、时效性等特点，其中蕴含着大量的有价值信息，可以为各类决策提供真实准确的依据，指导日常的生产和生活。通过设计相关的分类器，对时间序列数据的隐含信息进行分析处理，以完成对时间序列的分类。当前，时间序列分类已经在诸如食品检测、医学诊疗、工业设备状态监测、天气预测以及网络安全分析等领域得到了广泛的应用，因此使用科学合理的方法对时间序列数据进行分析，进而快速准确的对时间序列进行分类具有十分重要的现实意义。
由于时间序列数据存在数据量大、数据长度不一以及特征信息较多等特点，与其他常规的分类问题相比，时间序列的分类无疑更加困难，目前还有很多难题亟待解决。
发明内容
本发明所要解决的技术问题是提供一种时间序列分类方法，对时间序列进行分类。
为解决上述技术问题，本发明提供了一种基于改进胶囊网络的时间序列分类方法，其特征在于，包括以下步骤：
1)考虑时间序列数据存在周期性、不规则的循环性的特征，从原始数据中截取至少包含一个完整周期信息的一维时间序列信号(x1,x2,x3,L,xn)；
2)使用由灰度化处理替代阈值处理的递归图法将一维时间序列信号(x1,x2,x3,L,xn)转化为二维纹理图像；
3)构建胶囊网络的整体结构框架；
4)根据转化后二维纹理图像的尺寸大小，合理选用卷积层对二维纹理图像进行特征提取；
5)将卷积层提取出的特征数据输入PrimaryCaps层，把二维纹理图像的特征数据重建为矢量；
6)将PrimaryCaps层的输出作为ConvCaps1层的输入，使用基于Softmax激活函数改进的EM路由不断更新网络参数，对PrimaryCaps层的输出进行卷积操作；
7)将ConvCaps1层的输出作为ConvCaps2层的输入，使用基于Softmax激活函数改进的EM路由不断更新网络参数，对ConvCaps1层的输出进行卷积操作；
8)将ConvCaps2层的输出作为Class Capsules层的输入，通过Class Capsules层进行投票以确定输入胶囊网络的二维纹理图像的类别。
上述步骤3)中构建胶囊网络的整体结构的步骤如下：
31)确定胶囊网络的整体结构包括：输入层、数量不定的使用ReLU函数为激活函数的卷积层、PrimaryCaps层、ConvCaps1层、ConvCaps2层以及Class Capsules层；
32)根据训练样本的数量为胶囊网络设置迭代次数以及每次训练时随机选取的训练样本的数量。
上述步骤4)中合理选用卷积层对二维纹理图像进行特征提取的步骤如下：
41)读取步骤2)中转化的二维纹理图像数据；
42)选择合适的卷积层数量；
43)为每个卷积层设置网络参数；
44)通过卷积层对二维纹理图像进行卷积操作，提取出尺寸大小为12×12×32的特征参数。
上述步骤5)在PrimaryCaps层把二维纹理图像的特征数据重建为矢量的步骤如下：
51)读取步骤4)中卷积层提取出的尺寸大小为12×12×32的特征参数；
52)使用16×8个大小为1×1的卷积核，设置步长为1，深度为32，以无填充的形式对特征参数数据进行卷积操作，输出张量尺寸大小为12×12×(16×8)；
53)使用8个大小为1×1卷积核，设置步长为1，深度为32，以无填充的形式对特征参数数据进行卷积操作，输出张量尺寸大小为12×12×8；
54)将尺寸大小为12×12×(16×8)与尺寸大小为12×12×8的两个输出张量合并在一起形成包含4×4的姿态矩阵和logistic激活单元的胶囊形式，合并后的胶囊形式为12×12×(4×4+1)×8，胶囊个数为12×12×8；
55)对合并成的胶囊进行标准化输出，使其长度小于1。
上述步骤6)中ConvCaps1层的网络参数更新的步骤如下：
61)读取步骤5)PrimaryCaps层的输出作为ConvCaps1层的输入；
62)使用大小为3×3的卷积核，设定步长为2，以无填充的形式对PrimaryCaps层的输出进行卷积操作，输出5×5×16个胶囊；
63)使用EM路由迭代算法计算ConvCaps1层胶囊的激活和姿态矩阵，将胶囊的每个数据点的概率rij初始化；
64)根据输入确定rij，基于rij重新计算高斯模型(μ,σ)的值，重复迭代三次；
65)使用Softmax函数计算aij作为胶囊的输出，用来确定胶囊是否被激活；
66)最终将高斯模型的16个μ构成胶囊中4×4的姿态矩阵。
上述步骤7)中ConvCaps2层的网络参数更新的步骤如下：
71)读取步骤6)中ConvCaps1层的输出作为ConvCaps2层的输入；
72)使用大小为3×3的卷积核，设定步长为1，以无填充的形式对ConvCaps1层的输出进行卷积操作，输出3×3×16个胶囊；
73)使用EM路由迭代算法计算ConvCaps2层胶囊的激活和姿态矩阵，将
胶囊的每个数据点的概率r′ij初始化；
74)根据输入确定r′ij，基于r′ij重新计算高斯模型(μ′,σ′)的值，重复迭代三次；
75)使用Softmax函数计算a′ij作为胶囊的输出，用来确定胶囊是否被激活；
76)最终将高斯模型的16个μ′构成胶囊中4×4的姿态矩阵。
上述步骤8)通过Class Capsules层进行投票以确定输入胶囊网络的二维纹理图像的类别的步骤如下：
81)读取步骤7)中ConvCaps2层的输出作为Class Capsules层的输入；
82)使用大小为3×3的卷积核，设定步长为1，输出胶囊的个数设定为时间序列信号的总类别数；
83)使用EM路由迭代算法计算出胶囊的激活输出和姿态单元的数值；
84)使用交叉熵损失函数计算目标类的激活at与其他类的激活ai的损失值，通过反向传播更新网络参数；
85)通过Class Capsules层进行投票以确定输入网络的二维纹理图像的类别，即时间序列的类别。
本发明所达到的有益效果：
本发明提出了一种基于改进胶囊网络的时间序列分类方法，使用胶囊网络对时间序列信号进行分类，可以最大限度地保留数据的空间位置信息，有利于提升对时间序列的分类准确度。针对胶囊网络训练时存在损失波动大、收敛速度慢的问题，利用交叉熵损失函数进行损失值计算，有效地减小了损失函数的波动幅度。同时运用Softmax函数作为胶囊网络EM路由中的激活函数，满足了多分类任务中大数值所占概率突出的需求。根据二维纹理图像的尺寸大小合理地设置卷积层数量及其参数，有效地减少了参数数量，降低了计算的复杂度，使胶囊网络对不同长度的时间序列都能够取得较好的分类效果。
附图说明
图1是基于改进型胶囊网络的时间序列分类流程图；
图2是实施例中TwoPatterns数据集下的网络训练准确率变化图；
图3是实施例中TwoPatterns数据集下的网络训练损失变化图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种基于改进胶囊网络的时间序列分类方法，使用改进型胶囊网络对时间序列进行分类，包括以下步骤：
1)考虑时间序列数据存在周期性、不规则的循环性的特征，从原始数据中截取至少包含一个完整周期信息的一维时间序列信号(x1,x2,x3,L,xn)。
2)使用由灰度化处理替代阈值处理的递归图法将一维时间序列信号(x1,x2,x3,L,xn)转化为二维纹理图像。
3)构建胶囊网络的整体结构框架；
31)确定胶囊网络的整体结构包括：输入层、数量不定的使用ReLU函数为激活函数的卷积层、PrimaryCaps层、ConvCaps1层、ConvCaps2层以及Class Capsules层；
32)根据训练样本的数量为胶囊网络设置迭代次数以及每次训练时随机选取的训练样本的数量。
4)根据转化后二维纹理图像的尺寸大小，合理选用卷积层对二维纹理图像进行特征提取；
41)读取步骤2)中转化的二维纹理图像数据；
42)选择合适的卷积层数量；
43)为每个卷积层设置网络参数；
44)通过卷积层对二维纹理图像进行卷积操作，提取出尺寸大小为12×12×32的特征参数。
5)将卷积层提取出的特征数据输入PrimaryCaps层，把二维纹理图像的特征数据重建为矢量；
51)读取步骤4)中卷积层提取出的尺寸大小为12×12×32的特征参数；
52)使用16×8个大小为1×1的卷积核，设置步长为1，深度为32，以无填充的形式对特征参数数据进行卷积操作，输出张量尺寸大小为12×12×(16×8)；
53)使用8个大小为1×1卷积核，设置步长为1，深度为32，以无填充的形式对特征参数数据进行卷积操作，输出张量尺寸大小为12×12×8；
54)将尺寸大小为12×12×(16×8)与尺寸大小为12×12×8的两个输出张量合并在一起形成包含4×4的姿态矩阵和logistic激活单元的胶囊形式，合并后的胶囊形式为12×12×(4×4+1)×8，胶囊个数为12×12×8；
55)对合并成的胶囊进行标准化输出，使其长度小于1。
6)将PrimaryCaps层的输出作为ConvCaps1层的输入，使用基于Softmax激活函数改进的EM路由不断更新网络参数，对PrimaryCaps层的输出进行卷积操作；
61)读取步骤5)PrimaryCaps层的输出作为ConvCaps1层的输入；
62)使用大小为3×3的卷积核，设定步长为2，以无填充的形式对PrimaryCaps层的输出进行卷积操作，输出5×5×16个胶囊；
63)使用EM路由迭代算法计算ConvCaps1层胶囊的激活和姿态矩阵，将胶囊的每个数据点的概率rij初始化；
64)根据输入确定rij，基于rij重新计算高斯模型(μ,σ)的值，重复迭代三次；
65)使用Softmax函数计算aij作为胶囊的输出，用来确定胶囊是否被激活；
66)最终将高斯模型的16个μ构成胶囊中4×4的姿态矩阵。
7)将ConvCaps1层的输出作为ConvCaps2层的输入，使用基于Softmax激活函数改进的EM路由不断更新网络参数，对ConvCaps1层的输出进行卷积操作；
71)读取步骤6)中ConvCaps1层的输出作为ConvCaps2层的输入；
72)使用大小为3×3的卷积核，设定步长为1，以无填充的形式对ConvCaps1层的输出进行卷积操作，输出3×3×16个胶囊；
73)使用EM路由迭代算法计算ConvCaps2层胶囊的激活和姿态矩阵，将
胶囊的每个数据点的概率r′ij初始化；
74)根据输入确定r′ij，基于r′ij重新计算高斯模型(μ′,σ′)的值，重复迭代三次；
75)使用Softmax函数计算a′ij作为胶囊的输出，用来确定胶囊是否被激活；
76)最终将高斯模型的16个μ′构成胶囊中4×4的姿态矩阵。
8)将ConvCaps2层的输出作为Class Capsules层的输入，通过Class Capsules层进行投票以确定输入胶囊网络的二维纹理图像的类别；
81)读取步骤7)中ConvCaps2层的输出作为Class Capsules层的输入；
82)使用大小为3×3的卷积核，设定步长为1，输出胶囊的个数设定为时间序列信号的总类别数；
83)使用EM路由迭代算法计算出胶囊的激活输出和姿态单元的数值；
84)使用交叉熵损失函数计算目标类的激活at与其他类的激活ai的损失值，通过反向传播更新网络参数；
85)通过Class Capsules层进行投票以确定输入网络的二维纹理图像的类别，即时间序列的类别。
实施例：
为评估该分类方法的性能，现使用UCR(University of California,Riverside)时间序列分类档案文件中的TwoPatterns数据集作为训练及测试样本对网络性能进行验证。TwoPatterns数据集包含四种模拟波形序列，序列长度为128，共包含1000个训练样本和4000个测试样本。
将1×128的时间序列转化为二维纹理图像时，适当舍弃部分值，得到尺寸大小为120×120的二维纹理图像。
根据二维纹理图像的尺寸大小，设置3个卷积层，其卷积核大小分别为5×5、5×5、3×3，步长都为1，所以经过卷积操作提取出的特征参数尺寸大小为12×12×32。
因为数据集中样本的数量较少，故将网络训练的迭代次数设置为300，训练时随机选取的训练样本的数量为5。
TwoPatterns数据集下的网络训练准确率变化图如图2所示。TwoPatterns数据集下的网络训练损失变化图如图3所示。
TwoPatterns数据集中训练样本较少而测试样本较多，分类难度较大。但是由图2和图3可以看出，将改进型胶囊网络应用于TwoPatterns数据集时，其分类成功率在90％以上且训练过程中损失值波动较小，总体呈下降态势，取得了较好的分类识别效果。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于改进胶囊网络的时间序列分类方法，其特征是使用改进型胶囊网络对时间序列数据进行分类识别，包括以下步骤：
1)考虑时间序列数据存在周期性、不规则的循环性的特征，从原始数据中截取至少包含一个完整周期信息的一维时间序列信号(x1,x2,x3,…,xn)；
2)使用由灰度化处理替代阈值处理的递归图法将一维时间序列信号(x1,x2,x3,…,xn)转化为二维纹理图像；
3)构建胶囊网络的整体结构框架；
4)根据转化后二维纹理图像的尺寸大小，合理选用卷积层对二维纹理图像进行特征提取；
5)将卷积层提取出的特征数据输入PrimaryCaps层，把二维纹理图像的特征数据重建为矢量；
所述步骤5)在PrimaryCaps层把二维纹理图像的特征数据重建为矢量的步骤如下：
51)读取步骤4)中卷积层提取出的尺寸大小为12×12×32的特征参数；
52)使用16×8个大小为1×1的卷积核，设置步长为1，深度为32，以无填充的形式对特征参数数据进行卷积操作，输出张量尺寸大小为12×12×(16×8)；
53)使用8个大小为1×1卷积核，设置步长为1，深度为32，以无填充的形式对特征参数数据进行卷积操作，输出张量尺寸大小为12×12×8；
54)将尺寸大小为12×12×(16×8)与尺寸大小为12×12×8的两个输出张量合并在一起形成包含4×4的姿态矩阵和logistic激活单元的胶囊形式，合并后的胶囊形式为12×12×(4×4+1)×8，胶囊个数为12×12×8；
55)对合并成的胶囊进行标准化输出，使其长度小于1；
6)将PrimaryCaps层的输出作为ConvCaps1层的输入，使用基于Softmax激活函数改进的EM路由不断更新网络参数，对PrimaryCaps层的输出进行卷积操作；
7)将ConvCaps1层的输出作为ConvCaps2层的输入，使用基于Softmax激活函数改进的EM路由不断更新网络参数，对ConvCaps1层的输出进行卷积操作；
8)将ConvCaps2层的输出作为Class Capsules层的输入，通过Class Capsules层进行投票以确定输入胶囊网络的二维纹理图像的类别。
2.根据权利要求1中所述的一种基于改进胶囊网络的时间序列分类方法，其特征在于，所述步骤3)中构建胶囊网络的整体结构的步骤如下：
31)确定胶囊网络的整体结构包括：输入层、数量不定的使用ReLU函数为激活函数的卷积层、PrimaryCaps层、ConvCaps1层、ConvCaps2层以及Class Capsules层；
32)根据训练样本的数量为胶囊网络设置迭代次数以及每次训练时随机选取的训练样本的数量。
3.根据权利要求1中所述的一种基于改进胶囊网络的时间序列分类方法，其特征在于，所述步骤4)中合理选用卷积层对二维纹理图像进行特征提取的步骤如下：
41)读取步骤2)中转化的二维纹理图像数据；
42)选择合适的卷积层数量；
43)为每个卷积层设置网络参数；
44)通过卷积层对二维纹理图像进行卷积操作，提取出尺寸大小为12×12×32的特征参数。
4.根据权利要求1中所述的一种基于改进胶囊网络的时间序列分类方法，其特征在于，所述步骤6)中ConvCaps1层的网络参数更新的步骤如下：
61)读取步骤5)PrimaryCaps层的输出作为ConvCaps1层的输入；
62)使用大小为3×3的卷积核，设定步长为2，以无填充的形式对PrimaryCaps层的输出进行卷积操作，输出5×5×16个胶囊；
63)使用EM路由迭代算法计算ConvCaps1层胶囊的激活和姿态矩阵，将胶囊的每个数据点的概率rij初始化；
64)根据输入确定rij，基于rij重新计算高斯模型(μ,σ)的值，重复迭代三次；
65)使用Softmax函数计算aij作为胶囊的输出，用来确定胶囊是否被激活；
66)最终将高斯模型的16个μ构成胶囊中4×4的姿态矩阵。
5.根据权利要求1中所述的一种基于改进胶囊网络的时间序列分类方法，其特征在于，所述步骤7)中ConvCaps2层的网络参数更新的步骤如下：
71)读取步骤6)中ConvCaps1层的输出作为ConvCaps2层的输入；
72)使用大小为3×3的卷积核，设定步长为1，以无填充的形式对ConvCaps1层的输出进行卷积操作，输出3×3×16个胶囊；
73)使用EM路由迭代算法计算ConvCaps2层胶囊的激活和姿态矩阵，将胶囊的每个数据点的概率rij′初始化；
74)根据输入确定rij′，基于rij′重新计算高斯模型(μ′,σ′)的值，重复迭代三次；
75)使用Softmax函数计算aij′作为胶囊的输出，用来确定胶囊是否被激活；
76)最终将高斯模型的16个μ′构成胶囊中4×4的姿态矩阵。
6.根据权利要求1中所述的一种基于改进胶囊网络的时间序列分类方法，其特征在于，所述步骤8)通过Class Capsules层进行投票以确定输入胶囊网络的二维纹理图像的类别的步骤如下：
81)读取步骤7)中ConvCaps2层的输出作为Class Capsules层的输入；
82)使用大小为3×3的卷积核，设定步长为1，输出胶囊的个数设定为时间序列信号的总类别数；
83)使用EM路由迭代算法计算出胶囊的激活输出和姿态单元的数值；
84)使用交叉熵损失函数计算目标类的激活at与其他类的激活ai的损失值，通过反向传播更新网络参数；
85)通过Class Capsules层进行投票以确定输入网络的二维纹理图像的类别，即时间序列的类别。
CN201910836015.4A 2019-09-05 2019-09-05 一种基于改进胶囊网络的时间序列分类方法 Active CN110569781B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910836015.4A CN110569781B (zh) 2019-09-05 2019-09-05 一种基于改进胶囊网络的时间序列分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910836015.4A CN110569781B (zh) 2019-09-05 2019-09-05 一种基于改进胶囊网络的时间序列分类方法

Publications (2)

Publication Number Publication Date
CN110569781A CN110569781A (zh) 2019-12-13
CN110569781B true CN110569781B (zh) 2022-09-09

Family

ID=68777923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910836015.4A Active CN110569781B (zh) 2019-09-05 2019-09-05 一种基于改进胶囊网络的时间序列分类方法

Country Status (1)

Country Link
CN (1) CN110569781B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325169B (zh) * 2020-02-26 2023-04-07 河南理工大学 基于胶囊网络的深度视频指纹算法
CN111797686B (zh) * 2020-05-29 2024-04-02 中南大学 基于时间序列相似性分析的泡沫浮选生产过程运行状态稳定度评估方法
CN112733721B (zh) * 2021-01-12 2022-03-15 浙江工业大学 一种基于胶囊网络的表面肌电信号分类方法
CN112906549B (zh) * 2021-02-07 2022-10-25 同济大学 一种基于时空胶囊网络的视频行为检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110032925A (zh) * 2019-02-22 2019-07-19 广西师范大学 一种基于改进胶囊网络与算法的手势图像分割与识别方法
CN110046671A (zh) * 2019-04-24 2019-07-23 吉林大学 一种基于胶囊网络的文本分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106156807B (zh) * 2015-04-02 2020-06-02 华中科技大学 卷积神经网络模型的训练方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110032925A (zh) * 2019-02-22 2019-07-19 广西师范大学 一种基于改进胶囊网络与算法的手势图像分割与识别方法
CN110046671A (zh) * 2019-04-24 2019-07-23 吉林大学 一种基于胶囊网络的文本分类方法

Also Published As

Publication number Publication date
CN110569781A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN110569781B (zh) 一种基于改进胶囊网络的时间序列分类方法
Zhang et al. Identification of maize leaf diseases using improved deep convolutional neural networks
Kumar et al. Image based tomato leaf disease detection
CN107408209B (zh) 用于在半导体工艺中进行缺陷分类的系统和方法
CN108846338B (zh) 基于面向对象随机森林的极化特征选择及分类方法
CN111699494A (zh) 使用通过主成分分析和重复频谱聚类进行训练的卷积神经网络的对象识别
CN109086886A (zh) 一种基于极限学习机的卷积神经网络学习算法
Zhao et al. Crop pest recognition in real agricultural environment using convolutional neural networks by a parallel attention mechanism
CN109064478B (zh) 一种基于极限学习机的天文图像轮廓提取方法
CN107423815B (zh) 一种基于计算机的低质量分类图像数据清洗方法
CN110619352A (zh) 基于深度卷积神经网络的典型红外目标分类方法
Kusrini et al. The effect of Gaussian filter and data preprocessing on the classification of Punakawan puppet images with the convolutional neural network algorithm
CN104102922B (zh) 一种基于上下文感知字典学习的害虫图像分类方法
Zahra et al. An integrated framework of two-stream deep learning models optimal information fusion for fruits disease recognition
Nigam et al. 12 Wheat rust disease identification using deep learning
Önler Feature fusion based artificial neural network model for disease detection of bean leaves.
CN109816030A (zh) 一种基于受限玻尔兹曼机的图像分类方法及装置
Sharma et al. Texture Features Retrieval using Convolutional Neural Networks for Multiclass Classification of Plant Diseases
CN105718934A (zh) 一种基于低秩稀疏编码技术的害虫图像特征学习与识别方法
CN115310491A (zh) 一种基于深度学习的类不平衡磁共振全脑数据分类方法
Nurtiwi et al. Convolutional Neural Network (CNN) Method for Classification of Images by Age
Marco-Blanco et al. Time series clustering with random convolutional kernels
Al-Shahari et al. Innovative Insect Detection and Classification for the Agricultural Sector Using Gannet Optimization Algorithm with Deep Learning
Dijaya et al. Corn plant disease identification using surf-based bag of visual words feature
Mahbub et al. A comparative analysis of efficient convolutional neural network based methods for plant disease classification

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