[發明專利]基于核空間的深度散射卷積網絡學習方法和系統

在審

• 申請號: 201610035416.6
• 申請日: 2016-01-19
• 公開（公告）號: CN105718944A
• 公開（公告）日: 2016-06-29
• 發明（設計）人: 熊紅凱;熊岳涵
• 申請（專利權）人: 上海交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 徐紅銀;郭國中

1.一種基于核空間的深度散射卷積網絡學習方法，其特征在于，包括：

參數化小波生成步驟：該步驟以隨機化參數構造小波濾波器組；

多核學習步驟：該步驟基于參數化小波生成步驟構造的小波濾波器組對訓練數據 集進行散射卷積網絡的分解，并采用多核學習算法選擇最優卷積路徑；

散射分解步驟：該步驟基于多核學習步驟選擇的最優卷積路徑對測試數據集進行 散射分解，所得的分解系數在支持向量機分類被分類。

2.根據權利要求1所述的一種基于核空間的深度散射卷積網絡學習方法，其特 征是，所述的參數化小波生成步驟：通過隨機化的變換參數對復小波基進行伸縮及旋 轉變換構造小波濾波器組。

3.根據權利要求1所述的一種基于核空間的深度散射卷積網絡學習方法，其特 征是，所述的多核學習步驟：基于最大化間距準則和一對多策略聯合優化散射卷積網 絡與支持向量機，并將該聯合優化問題轉化為多核學習問題。

4.根據權利要求3所述的一種基于核空間的深度散射卷積網絡學習方法，其特 征是，所述的多核學習步驟，具體實現如下：

S1、更新參數化小波生成步驟的隨機化參數，構造小波濾波器組對訓練數據集進 行散射卷積網絡的分解，用分解結果中每條卷積路徑的系數分別構建高斯核；

S2、通過廣義多核學習算法計算當前高斯核集合中每個核的組合權值，基于活動 集準則去除集合中權值為零的非活動核，并計算加權積形式的組合核；

S3、重復S1，結合所得的新生成的高斯核與S2中得到的組合核，計算當前解是 否滿足KKT條件，若滿足則根據S2中的高斯核集合推導對應的卷積路徑，作為局部 最優解輸出；否則在新生成的高斯核中選出一個違背KKT條件的核以零初始權值加入 S2選出的活動核集合中，并轉到S2。

5.根據權利要求4所述的一種基于核空間的深度散射卷積網絡學習方法，其特 征是，所述的散射卷積網絡的分解，是指：由小波濾波器組迭代地對信號進行卷積分 解，每條卷積分解路徑有不同的小波伸縮或旋轉參數且卷積次數m≤2，每次卷積后 進行復數取模操作，最后進行高斯低通濾波，結果為該卷積路徑的分解系數。

6.根據權利要求1-5任一項所述的一種基于核空間的深度散射卷積網絡學習方 法，其特征在于，所述的散射分解步驟：匯總學到的散射分解路徑對測試數據集進行 分解，并對分解系數取對數非線性變換，分離光照變化引入的低頻乘積部分。

7.根據權利要求1-5任一項所述的一種基于核空間的深度散射卷積網絡學習方 法，其特征是，所述的支持向量機分類，是指：采用一對多策略訓練高斯核支持向量 機對散射分解系數進行分類。

8.一種用于實現上述權利要求1-7任一項所述方法的基于核空間的深度散射卷 積網絡學習系統，其特征在于，包括：參數化小波生成模塊、多核學習模塊、散射分 解模塊和支持向量機分類模塊，其中：

所述參數化小波生成模塊以隨機化參數構造小波濾波器組；

所述多核學習模塊基于參數化小波生成模塊構造的小波濾波器組對訓練數據集進 行散射卷積網絡的分解，并采用多核學習算法選擇最優卷積路徑；

所述散射分解模塊基于多核學習模塊選擇的最優卷積路徑對測試數據集進行散射 分解，所得的分解系數在支持向量機分類模塊被分類。

9.根據權利要8所述的一種基于核空間的深度散射卷積網絡學習系統，其特征 是，所述的支持向量機分類模塊，該模塊采用一對多策略訓練高斯核支持向量機對散 射分解系數進行分類。