CN112446432B - 基于量子自学习自训练网络的手写体图片分类方法 - Google Patents

基于量子自学习自训练网络的手写体图片分类方法 Download PDF

Info

Publication number
CN112446432B
CN112446432B CN202011370471.3A CN202011370471A CN112446432B CN 112446432 B CN112446432 B CN 112446432B CN 202011370471 A CN202011370471 A CN 202011370471A CN 112446432 B CN112446432 B CN 112446432B
Authority
CN
China
Prior art keywords
quantum
neural network
individual
chromosome
classification
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
CN202011370471.3A
Other languages
English (en)
Other versions
CN112446432A (zh
Inventor
李阳阳
赵裴翔
刘睿娇
赵逸群
毛鹤亭
杨丹青
焦李成
李玲玲
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202011370471.3A priority Critical patent/CN112446432B/zh
Publication of CN112446432A publication Critical patent/CN112446432A/zh
Application granted granted Critical
Publication of CN112446432B publication Critical patent/CN112446432B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Landscapes

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

Abstract

本发明公开了一种基于量子自学习自训练网络的手写体图片分类方法，其步骤为：构建神经网络；生成训练集；计算量子染色体个体长度；建立量子染色体种群；对神经元的权重值与偏置值进行量子编码；利用量子进化策略获得最优神经网络；判断当前进化是否陷入局部最优，若是，进行全干扰交叉，否则，判断进化是否终止；进行全干扰交叉；判断当前的进化是否满足终止条件，若是，则输出分类结果，否则，继续进化迭代；输出分类结果。本发明有效的克服了现有技术中易于陷入局部最优，需要人为设置超参数过多的问题，具有分类精度高，保证分类结果稳定性和可靠性的优点。

Description

基于量子自学习自训练网络的手写体图片分类方法
技术领域
本发明属于图像处理技术领域，更进一步涉及图像分类技术领域中的一种基于量子自学习自训练网络的手写体图片分类方法。本发明可用于对从来自不同人群的不同笔迹的手写体图片数据集中，实现不同类别的手写体图片的识别与分类。
背景技术
对于手写体图像分类任务，一直是日常生活中非常需要的一项任务，它广泛应用于签字识别、财务支票处理、金融表格处理等。为了解决这项任务，其常常使用神经网络相关技术。对于其中的神经网络而言，其最重要的是训练各神经元节点的权重以及偏置，以得到在当前训练下分类效果最好的参数值获得可以解决针对当前手写体图片分类任务的神经网络模型。对于针对手写体图片分类的神经网络的训练而言，目前使用的大多数方式是使用反向传播的方法，根据人为设定的损失函数进行误差的反向传播来更新神经网络中各个神经元的模型参数。对于这种方式而言其缺点在于需要人为设置诸多超参数、易于陷入模型参数的局部最优以及对初始化参数要求较高、搜索空间较小等问题。针对这些问题，考虑使用一种方法在离散的搜索空间中对神经网络模型参数进行搜索是一种训练神经网络的新思路以构建量子自学习自训练网络模型完成手写体图片分类任务。
华东理工大学在其申请的专利文献“基于动态样本选择策略的BP神经网络手写体识别系统”(申请号：201610346450.5，公开号：CN106022273A)中提出了一种手写体图片分类的方法。该方法利用判断样本是否远离决策边界来根据梯度下降法动态调整网络参数并来优化网络权重的，初始化网络权重参数并结合BP反向传播算法训练多个二分类BP网络分类器实现了神经网络的训练并用于手写体图片分类任务。但该方法存在的不足之处是，该方法依赖于初始化的权重参数的梯度下降寻优方法搜索空间较小，不易找到更优良的模型参数，导致手写体图片分类的精度较低。
黄一格、张炎生等人在其发表的论文“基于BP神经网络的手写数字识别系统”(《机电工程技术》2020年第49卷第01期)中提出了一种手写体图片分类的方法。该方法先对手写体图片进行预处理和特征提取并人为设置训练超参数结合BP反向传播方式寻找模型参数来训练多层前馈神经网络以完成手写体图片分类任务。该方法存在的不足之处是，BP反向传播结合梯度下降的训练方式易于陷入局部最优且所需要人为设置的超参数较多，需要大量的人为专业知识和经验才能训练出最佳分类模型获得较为优良的手写体图片分类效果，因此导致训练较为繁琐且分类结果的可靠性和稳定性难以保证。
发明内容
本发明的目的在于针对上述已有技术的不足，提出一种量子自学习自训练网络的手写体图片分类方法，用于解决由于传统神经网络训练超参数需要人为设置、搜索范围较小、易于陷入局部最优而导致手写体图片分类模型精度较低、训练较为繁琐无法保证分类结果的可靠性和稳定性的问题。
实现本发明目的的基本思路是：将神经网络中神经元的权重值与偏置值进行量子化编码，量子染色体个体与实数空间建立映射关系，利用改进的量子进化策略对神经网络进行训练，获得最优的量子自学习自训练网络，从而实现对手写体图片的更准确的分类。
本发明的具体步骤包括如下：
(1)构建神经网络：
搭建一个结构为一个输入层、一个输出层以及在输入层与输出层之间顺序连接的至少四个隐藏层多层全连接的神经网络，其中，输入层含有784个神经元节点，输出层含有10个神经元节点，每个隐藏层均含有5个神经元节点；
(2)生成训练集：
选取包含10个类别的至少56000张手写体图片，将每张图片尺寸放缩至28×28个像素组成一个一维向量中，将所有的一维向量组成训练集；
(3)按照下式，计算量子染色体个体的长度：
Figure BDA0002805966100000021
其中，m表示量子染色体个体的长度，Li表示神经网络中第i层神经元节点的个数，q表示神经网络的总层数，p表示取值为28的神经网络中每个神经元节点的权重和偏置的最大值；
(4)建立量子染色体种群Q＝[Q1,Q2,Q3...Qi...Qn]，每个量子染色体个体表示为：
Figure BDA0002805966100000031
其中，Qi表示量子染色体种群中第i个量子染色体个体，n表示取值至少为10的量子染色体个体总数，m表示量子染色体个体的长度，αij和βij表示量子染色体个体Qi中第j个量子基因位的概率幅；
(5)对神经元的权重值与偏置值进行量子编码：
将每个量子染色体个体中的量子基因位以18个基因位为一组，前9个量子基因位的所有状态值代表一个神经元的权重值，后9个量子基因位的所有状态值代表该神经元的偏置值，以此类推对所有的神经元的权重值与偏置值在量子染色体个体上进行编码；
(6)利用量子进化策略获得最优神经网络：
(6a)将编码后的量子染色体个体映射至实数空间，得到每个神经元的权重值和偏置值，填入到步骤(1)构建的神经网络中；
(6b)将训练集输入到填入参数后的神经网络中，输出训练集中每一张图片的分类结果，将分类结果与该图片标签一致的判定为正确分类，否则为错误分类，将正确分类的图片总数与训练集的图片总数的比值作为当前进化轮数下当前迭代中的编码后的量子染色体个体的分类准确率；
(6c)重复执行步骤(6a)、(6b)，直到当前进化轮数下的量子种群中每个量子染色体个体都得到了该个体的分类准确率，将所有个体的分类准确率中最高分类准确率的个体作为当前进化迭代的最优量子染色体个体；
(6d)利用量子旋转门，对除当前进化轮数下种群中的最优量子染色体个体外的其余量子染色体个体进行进化更新；
(6e)用当前进化轮数中的最优量子染色体个体所代表的每个神经元的权重值和偏置值更新步骤(6b)所述的填入参数后的神经网络中，得到当前进化轮数中的最优神经网络；
(7)判断当前进化轮数中最优量子染色体个体的分类准确率是否与前5轮进化的最优个体的分类准确率相同，若是，判定当前进化陷入局部最优并执行步骤(8)，否则，执行步骤(9)；
(8)对当前进化轮数中的量子种群中所有量子染色体个体执行全干扰交叉操作；
(9)判断当前的进化是否满足终止条件，若是，则得到训练好的神经网络后执行步骤(10)；否则，执行步骤(6)；
(10)将待分类的手写体图片输入到训练好的神经网络中，输出分类结果。
本发明与现有技术相比具有如下优点：
第一，由于本发明对神经元的权重值与偏置值进行量子编码，为搜索最优神经网络提供了更广阔的搜索空间，克服了现有技术因搜索空间较小从而导致手写体图片分类的精度较低的问题，使得本发明提高了手写体图片分类的精度。
第二，由于本发明利用量子进化策略对搭建好的神经网络进行迭代训练，从中选取最优神经网络，用该最优神经网络对手写体图片进行分类，克服了现有技术在训练分类模型时存在的易于陷入局部最优，且需要人为设置的超参数较多从而导致需要大量的人为专业知识和经验的问题，使得本发明对网络的训练过程不再繁琐并保证了分类结果的可靠性和稳定性。
附图说明
图1为本发明的实现流程图；
图2为本发明的量子染色体映射至二进制染色体和实数空间的示意图；
图3为本发明对于手写体图片的分类效果图。
具体实施方式
下面结合附图，对本发明做进一步的描述。
参照附图1，对本发明的具体步骤做进一步的详细描述。
步骤1，构建神经网络。
搭建一个结构为一个输入层、一个输出层以及在输入层与输出层之间顺序连接的至少四个隐藏层多层全连接的神经网络，其中，输入层含有784个神经元节点，输出层含有10个神经元节点，每个隐藏层均含有5个神经元节点。
步骤2，生成训练集。
选取包含10个类别的至少56000张手写体图片，将每张图片尺寸放缩至28×28个像素组成一个一维向量中，将所有的一维向量组成训练集。
步骤3，按照下式，计算量子染色体个体的长度：
Figure BDA0002805966100000051
其中，m表示量子染色体个体的长度，Li表示神经网络中第i层神经元节点的个数，q表示神经网络的总层数，p表示取值为28的神经网络中每个神经元节点的权重和偏置的最大值。
步骤4，建立量子染色体种群Q＝[Q1,Q2,Q3...Qi…Qn]，每个量子染色体个体表示为：
Figure BDA0002805966100000052
其中，Qi表示量子染色体种群中第i个量子染色体个体，n表示取值至少为10的量子染色体个体总数，m表示量子染色体个体的长度，αij和βij表示量子染色体个体Qi中第j个量子基因位的概率幅。
步骤5，对神经元的权重值与偏置值进行量子编码。
将每个量子染色体个体中的量子基因位以18个基因位为一组，前9个量子基因位的所有状态值代表一个神经元的权重值，后9个量子基因位的所有状态值代表该神经元的偏置值，以此类推对所有的神经元的权重值与偏置值在量子染色体个体上进行编码。
步骤6，利用量子进化策略获得最优神经网络。
第一步，将编码后的量子染色体个体映射至实数空间，得到每个神经元的权重值和偏置值，填入到步骤1构建的神经网络中。
参照附图2，对第一步的映射过程做进一步的描述。
附图2以9个量子基因位为例，其中α1与β1表示第1个量子基因位的概率幅，α2与β2表示第2个量子基因位的概率幅，以此类推α9与β9表示第9个量子基因位的概率幅，S表示符号位，若该位为0则代表负数，若该位为1则代表正数，V表示数值位，代表其数值绝对值大小，R表示实数空间，箭头表示映射方向。
将编码后的量子染色体个体映射至实数空间所采用的映射公式如下：
b1,b2,b3,…,bm＝0,1
Figure BDA0002805966100000061
其中，b1,b2,b3,…,bm表示当前确定状态的量子染色体个体映射得到的二进制染色体串的每一个基因位的二进制值，m表示量子染色体个体的长度，S表示当前二进制染色体串映射至实数空间内的实数值，n表示每一个实数值对应的量子基因位数，l表示当前第l个实数。
第二步，将训练集输入到填入参数后的神经网络中，输出训练集中每一张图片的分类结果，将分类结果与该图片标签一致的判定为正确分类，否则为错误分类，将正确分类的图片总数与训练集的图片总数的比值作为当前进化轮数下当前迭代中的编码后的量子染色体个体的分类准确率。
第三步，重复执行本步骤的第一步和第二步，直到当前进化轮数下的量子种群中每个量子染色体个体都得到了该个体的分类准确率，将所有个体的分类准确率中最高分类准确率的个体作为当前进化迭代的最优量子染色体个体。
第四步，利用量子旋转门，对除当前进化轮数下种群中的最优量子染色体个体外的其余量子染色体个体进行进化更新。
利用量子旋转门对每一个基因位进行旋转更新操作，量子旋转门的具体形式如下：
量子旋转门的具体形式如下：
Figure BDA0002805966100000062
量子染色体个体进化更新公式是利用下述公式实现的：
Figure BDA0002805966100000063
其中，R(θi)表示量子旋转门，Qi表示更新前的量子染色体个体，
Figure BDA0002805966100000064
表示更新后的量子染色体个体，θi表示旋转角度，由当前分类准确率最高所对应的最优个体与待更新的个体的差值所确定。
第五步，用当前进化轮数中的最优量子染色体个体所代表的每个神经元的权重值和偏置值更新本步骤第二步所述的填入参数后的神经网络中，得到当前进化轮数中的最优神经网络。
步骤7，判断当前进化轮数中最优量子染色体个体的分类准确率是否与前5轮进化的最优个体的分类准确率相同，若是，则判定当前进化陷入局部最优并执行步骤8，否则，执行步骤9。
步骤8，对当前进化轮数中的量子种群中所有量子染色体个体执行全干扰交叉操作。
步骤9，判断当前的进化是否满足终止条件，若是，则得到训练好的神经网络后执行步骤10；否则，执行步骤6。
所述终止条件为如下条件之一：
条件1，当前量子种群中最优个体的分类准确率不小于0.95。
条件3，当前进化轮数不小于100。
步骤10，将待分类的手写体图片输入到训练好的神经网络中，输出分类结果。
下面结合仿真实验对本发明的效果做进一步的说明：
1.仿真实验条件：
本发明仿真实验条件为：异构平台为NVIDIA异构开发平台。
NVIDIA异构开发平台主机端CPU为Core(TM)i5-6500，3.20GHz，内存8G，64位Ubuntu18系统，一块型号为Nvidia GeForce GTX2080Ti显卡，显存11G，软件采用VisualStudio Code，编程语言为Python，软件开发工具包为Numpy、Pytorch。
2.仿真实验内容及其仿真实验结果分析：
本发明仿真实验是采用本发明的方法，对EMNIST-Letters手写体数据集(CohenG,Afshar S,Tapson J,et al.EMNIST:Extending MNIST to handwritten letters[C]//International Joint Conference on Neural Networks.IEEE,2017.)进行分类。该数据集是西悉尼大学的研究人员收集了超过500人的手写字母，对它们进行黑白扫描生成的，该数据集包含145600张图片，分为26类，每类5600张图片。本发明仿真实验是将前10类的56000张图片用于本发明仿真实验，其中每一类中将前4800张图片作为训练图片，后800张图片作为测试图片，最终10个类的48000张图片作为训练集，8000张图片作为测试集，每张图片的尺寸均为28×28个像素。
本发明仿真实验是采用本发明的方法构建量子自学习自训练网络，将其编码至量子种群的量子染色体个体中，采用量子进化策略训练得到最优神经网络。量子种群规模为10，在每一轮进化轮数下记录当前最优个体的分类准确率并绘制出进化迭代过程中分类准确率的整个变化曲线如图3(a)所示。
采用与本发明仿真实验得到图3(a)相同的方法，将量子种群规模提高到100，在每一轮进化轮数下记录当前最优个体的分类准确率并绘制出进化迭代过程中分类准确率的整个变化曲线如图3(b)所示。
图3(a)与图3(b)中的横坐标表示进化轮数，纵坐标表示最优个体的分类准确率。
通过图3(a)的曲线可以看出，整个量子种群在进化过程中不断在寻找最优的个体，整个量子种群中最优个体的分类准确率在不断提高，最终分类准确率达到了0.77，说明量子自学习自训练网络在不断进化寻找更优秀的网络模型参数。
通过图3(b)的曲线可以看出，在提高了量子种群的规模后，最终得到的最优个体所代表的神经网络达到了0.93的分类准确率，这是由于提高量子种群的规模后，整个量子种群所表达的搜索空间更大且可以跳出局部最优。
由本发明的仿真实验的分类结果说明本发明的方法对于手写体图片分类任务是高效且可靠的。

Claims (2)

1.一种基于量子自学习自训练网络的手写体图片分类方法，其特征在于，对构建的神经网络的模型参数进行量子编码将神经网络的模型参数编码至可并行操作的量子种群的量子染色体个体中，利用量子进化策略以及全干扰交叉操作对代表神经网络的模型参数的量子种群进行进化迭代搜索最优模型参数，以此得到训练好的量子自学习自训练网络，该方法步骤包括如下：
(1)构建神经网络：
搭建一个结构为一个输入层、一个输出层以及在输入层与输出层之间顺序连接的至少四个隐藏层多层全连接的神经网络，其中，输入层含有784个神经元节点，输出层含有10个神经元节点，每个隐藏层均含有5个神经元节点；
(2)生成训练集：
选取包含10个类别的至少56000张手写体图片，将每张图片尺寸放缩至28×28个像素组成一个一维向量中，将所有的一维向量组成训练集；
(3)按照下式，计算量子染色体个体的长度：
Figure FDA0004080555330000011
其中，m表示量子染色体个体的长度，Li表示神经网络中第i层神经元节点的个数，q表示神经网络的总层数，p表示取值为28的神经网络中每个神经元节点的权重和偏置的最大值；
(4)建立量子染色体种群Q＝[Q1,Q2,Q3...Qi...Qn]，每个量子染色体个体表示为：
Figure FDA0004080555330000012
其中，Qi表示量子染色体种群中第i个量子染色体个体，n表示取值至少为10的量子染色体个体总数，m表示量子染色体个体的长度，αij和βij表示量子染色体个体Qi中第j个量子基因位的概率幅；
(5)对神经元的权重值与偏置值进行量子编码：
将每个量子染色体个体中的量子基因位以18个基因位为一组，前9个量子基因位的所有状态值代表一个神经元的权重值，后9个量子基因位的所有状态值代表该神经元的偏置值，以此类推对所有的神经元的权重值与偏置值在量子染色体个体上进行编码；
(6)利用量子进化策略获得最优神经网络：
(6a)将编码后的量子染色体个体映射至实数空间，得到每个神经元的权重值和偏置值，填入到步骤(1)构建的神经网络中；
(6b)将训练集输入到填入参数后的神经网络中，输出训练集中每一张图片的分类结果，将分类结果与该图片标签一致的判定为正确分类，否则为错误分类，将正确分类的图片总数与训练集的图片总数的比值作为当前进化轮数下当前迭代中的编码后的量子染色体个体的分类准确率；
(6c)重复执行步骤(6a)、(6b)，直到当前进化轮数下的量子种群中每个量子染色体个体都得到了该个体的分类准确率，将所有个体的分类准确率中最高分类准确率的个体作为当前进化迭代的最优量子染色体个体；
(6d)利用量子旋转门，对除当前进化轮数下种群中的最优量子染色体个体外的其余量子染色体个体进行进化更新；
所述量子旋转门的具体形式如下：
Figure FDA0004080555330000021
其中，R(θi)表示量子旋转门，θi表示旋转角度，由当前进化轮数下分类准确率最高所对应的最优个体与当前进化轮数时待更新的个体的差值所确定；
所述进化更新是利用下述公式实现的：
Figure FDA0004080555330000022
其中，Qi表示更新前的量子染色体个体，
Figure FDA0004080555330000023
表示更新后的量子染色体个体；
(6e)用当前进化轮数中的最优量子染色体个体所代表的每个神经元的权重值和偏置值更新步骤(6b)所述的填入参数后的神经网络中，得到当前进化轮数中的最优神经网络；
(7)判断当前进化轮数中最优量子染色体个体的分类准确率是否与前5轮进化的最优个体的分类准确率相同，若是，判定当前进化陷入局部最优并执行步骤(8)，否则，执行步骤(9)；
(8)对当前进化轮数中的量子种群中所有量子染色体个体执行全干扰交叉操作；
(9)判断当前的进化是否满足终止条件，若是，则得到训练好的神经网络后执行步骤(10)；否则，执行步骤(6)；
(10)将待分类的手写体图片输入到训练好的神经网络中，输出分类结果。
2.根据权利要求1所述的基于量子自学习自训练网络的手写体图片分类方法，其特征在于，步骤(9)所述的终止条件为如下条件之一：
条件1，当前量子种群中最优个体的分类准确率不小于0.95；
条件2，当前进化轮数不小于100。
CN202011370471.3A 2020-11-30 2020-11-30 基于量子自学习自训练网络的手写体图片分类方法 Active CN112446432B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011370471.3A CN112446432B (zh) 2020-11-30 2020-11-30 基于量子自学习自训练网络的手写体图片分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011370471.3A CN112446432B (zh) 2020-11-30 2020-11-30 基于量子自学习自训练网络的手写体图片分类方法

Publications (2)

Publication Number Publication Date
CN112446432A CN112446432A (zh) 2021-03-05
CN112446432B true CN112446432B (zh) 2023-06-30

Family

ID=74737944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011370471.3A Active CN112446432B (zh) 2020-11-30 2020-11-30 基于量子自学习自训练网络的手写体图片分类方法

Country Status (1)

Country Link
CN (1) CN112446432B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379059B (zh) * 2021-06-10 2022-09-23 北京百度网讯科技有限公司 用于量子数据分类的模型训练方法以及量子数据分类方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023195A (zh) * 2016-05-18 2016-10-12 河南师范大学 基于自适应遗传算法的bp神经网络图像分割方法及装置
CN109376805A (zh) * 2018-12-21 2019-02-22 四川理工学院 一种基于白酒基酒指纹图谱特征的分类方法
CN109948589A (zh) * 2019-03-31 2019-06-28 西安电子科技大学 基于量子深度信念网络的人脸表情识别方法
CN109948742A (zh) * 2019-03-25 2019-06-28 西安电子科技大学 基于量子神经网络的手写体图片分类方法
CN109993310A (zh) * 2019-04-16 2019-07-09 西安电子科技大学 基于fpga的并行量子进化实现方法
CN111242281A (zh) * 2020-01-07 2020-06-05 中国科学院计算技术研究所厦门数据智能研究院 一种深度卷积神经网络权值优化方法
CN111401623A (zh) * 2020-03-12 2020-07-10 重庆大学 一种基于bp神经网络的喷丸强化表面完整性预测方法
CN111598231A (zh) * 2020-03-23 2020-08-28 天津职业技术师范大学(中国职业培训指导教师进修中心) 基于ga优化串行式bp网络的电缆接头导线温度预测

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11068782B2 (en) * 2019-04-03 2021-07-20 Mashtraxx Limited Method of training a neural network to reflect emotional perception and related system and method for categorizing and finding associated content

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023195A (zh) * 2016-05-18 2016-10-12 河南师范大学 基于自适应遗传算法的bp神经网络图像分割方法及装置
CN109376805A (zh) * 2018-12-21 2019-02-22 四川理工学院 一种基于白酒基酒指纹图谱特征的分类方法
CN109948742A (zh) * 2019-03-25 2019-06-28 西安电子科技大学 基于量子神经网络的手写体图片分类方法
CN109948589A (zh) * 2019-03-31 2019-06-28 西安电子科技大学 基于量子深度信念网络的人脸表情识别方法
CN109993310A (zh) * 2019-04-16 2019-07-09 西安电子科技大学 基于fpga的并行量子进化实现方法
CN111242281A (zh) * 2020-01-07 2020-06-05 中国科学院计算技术研究所厦门数据智能研究院 一种深度卷积神经网络权值优化方法
CN111401623A (zh) * 2020-03-12 2020-07-10 重庆大学 一种基于bp神经网络的喷丸强化表面完整性预测方法
CN111598231A (zh) * 2020-03-23 2020-08-28 天津职业技术师范大学(中国职业培训指导教师进修中心) 基于ga优化串行式bp网络的电缆接头导线温度预测

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Quantum inspired evolutionary algorithm to improve parameters of neural models on example of polish electricity power exchange;J. Tchorzewski et al;《2016EPNet》;20170803;第1-8页 *
Quantum inspired high dimensional hyperparameter optimization of machine learning model;Y. Li et al;《ISC2》;20171231;第1-6页 *
Quantum rotation gate in quantum-inspired evolutionary algorithm: A review, analysis and comparison study;HegenXiong et al;《Swarm and Evolutionary Computation》;20181031;第43-57页 *
优化神经网络在多传感器火灾探测中的应用;雷素娟;《中国优秀硕士学位论文全文数据库 (经济与管理科学辑)》;20111215;第2011年卷(第S2期);J160-1 *

Also Published As

Publication number Publication date
CN112446432A (zh) 2021-03-05

Similar Documents

Publication Publication Date Title
CN111291836B (zh) 一种生成学生网络模型的方法
CN110188227B (zh) 一种基于深度学习与低秩矩阵优化的哈希图像检索方法
CN109492679A (zh) 基于注意力机制与联结时间分类损失的文字识别方法
CN103605972B (zh) 一种基于分块深度神经网络的非限制环境人脸验证方法
CN109948742B (zh) 基于量子神经网络的手写体图片分类方法
CN108121975B (zh) 一种联合原始数据和生成数据的人脸识别方法
CN110188827B (zh) 一种基于卷积神经网络和递归自动编码器模型的场景识别方法
CN112183742B (zh) 基于渐进式量化和Hessian信息的神经网络混合量化方法
CN112685504B (zh) 一种面向生产过程的分布式迁移图学习方法
CN111898689A (zh) 一种基于神经网络架构搜索的图像分类方法
CN116503676B (zh) 一种基于知识蒸馏小样本增量学习的图片分类方法及系统
CN113806494B (zh) 一种基于预训练语言模型的命名实体识别方法
CN110287985B (zh) 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法
CN114118369B (zh) 一种基于群智能优化的图像分类卷积神经网络设计方法
CN113065520B (zh) 一种面向多模态数据的遥感图像分类方法
CN111581368A (zh) 一种基于卷积神经网络的面向智能专家推荐的用户画像方法
Nguyen et al. Hybrid CNN-GRU model for high efficient handwritten digit recognition
CN114329031B (zh) 一种基于图神经网络和深度哈希的细粒度鸟类图像检索方法
CN117690178B (zh) 一种基于计算机视觉的人脸图像识别方法与系统
CN112507800A (zh) 一种基于通道注意力机制和轻型卷积神经网络的行人多属性协同识别方法
CN112084877A (zh) 基于nsga-net的遥感图像识别方法
CN113191445A (zh) 基于自监督对抗哈希算法的大规模图像检索方法
CN114170426A (zh) 一种基于代价敏感的稀有肿瘤类别小样本分类的算法模型
CN112446432B (zh) 基于量子自学习自训练网络的手写体图片分类方法
CN114492581A (zh) 基于迁移学习和注意力机制元学习应用在小样本图片分类的方法

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