[發明專利]適用于灰度圖片的神經網絡學習方法以及訓練方法

有效

• 申請號: 201611010902.9
• 申請日: 2016-11-17
• 公開（公告）號: CN107038451B
• 公開（公告）日: 2018-09-21
• 發明（設計）人: 汪潤春;譚黎敏;趙釗
• 申請（專利權）人: 上海西井信息科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 上海隆天律師事務所 31282
• 代理人: 臧云霄;鐘宗

1.一種適用于灰度圖片的神經網絡學習方法，其特征在于，所述神經網絡包括大量的神經元，將大量帶有字符圖形的灰度圖片分別提供給所述神經元進行學習，所述灰度圖片中包含c種字符，c屬于常數，包括以下步驟：

S101、將一灰度圖片預處理，根據所述灰度圖片中的像素排列和字符圖形，將所述灰度圖片轉化為一個二維的第一矩陣M1，所述第一矩陣M1的行數為a，列數為b，a、b均為大于1的常數，所述第一矩陣M1中的每個元素值的取值范圍為[0，255]之間的整數；

S102、將所述第一矩陣轉化為一個一維的第二矩陣M2，所述第二矩陣M2的行數為a×b，列數為1，所述第二矩陣M2中的每個元素值的取值范圍為[0，255]之間的整數；

S103、通過同一隨機種子生成二值化的隨機編碼矩陣來建立一個二維的第三矩陣M3，所述第三矩陣M3的行數為d，d屬于大于0的整數，列數為a×b，所述第三矩陣M3中的每個元素值為1或-1；

S104、將所述第三矩陣M3乘以第二矩陣M2，得到一個一維的第四矩陣M4，所述第四矩陣M4的行數為d，列數為1，所述第四矩陣M4中的每個元素值的取值范圍為[-255×(a×b),+255×(a×b)]的整數；

S105、通過激活函數調整所述第四矩陣M4，并且將每個元素值移位縮小2ⁿ倍后只保留整數位，n為可變參數，n屬于整數，得到一個一維的第六矩陣M6，所述第六矩陣M6的行數為d，列數為1，所述第六矩陣M6中的每個元素值的取值范圍是之間的整數；

S106、建立一二維的第七矩陣M7，所述第七矩陣M7的行數為c，列數為d，二值化的所述第七矩陣M7中的每個元素值為-1或+1；并且建立一二維的第八矩陣M8，所述第八矩陣M8的行數為c，列數為d，所述第八矩陣M8中的每個元素值的取值范圍是[-1,+1]之間的浮點數；

S107、所述第七矩陣M7乘以所述第六矩陣M6，得到一個一維的第九矩陣M9，所述第九矩陣M9的行數為c，列數為1，所述第九矩陣M9中的每個元素值的取值范圍是的整數，所述步驟S107中所述第九矩陣M9中的每一行的元素代表一種字符；并且，將所述第九矩陣M9中數值最大元素值所在的行所代表的字符作為預測字符；

S108、根據代表當前所述灰度圖片的字符得到一維的第十矩陣M10，所述第十矩陣M10的行數為c，列數為1，預設所述第十矩陣M10中的每一行的元素代表一種所述字符，所述第十矩陣M10中代表當前所述灰度圖片的字符的一行的元素值為2^m，m為可變參數，m屬于整數，所述第十矩陣M10中其余行的元素值為0；

S109、將所述第十矩陣M10減去所述第九矩陣M9，得到一個表示誤差的一維的第十一矩陣M11，所述第十一矩陣M11的行數為c，列數為1，所述第十一矩陣M11中的每個元素值的取值范圍是之間的整數；

S110、計算所述第六矩陣M6的轉置矩陣，得到一個一維的第十二矩陣M12，所述第十二矩陣M12的行數為1，列數為d，所述第十二矩陣M12中的元素值的取值范圍為之間的浮點數；

S111、將所述第六矩陣M6乘以所述第十二矩陣M12得到一過程參數num，所述過程參數num屬于整數；

S112、將所述第十二矩陣M12除以所述過程參數num得到一個一維的第十三矩陣M13，所述第十三矩陣M13的行數為1，列數為d，所述第十三矩陣M13中的元素值的取值范圍為之間的浮點數；

S113、將所述第十一矩陣M11乘以所述第十三矩陣M13，得到一個二維的第十四矩陣M14，所述第十四矩陣M14的行數為c，列數為d，所述第十四矩陣M14中的元素值的取值范圍為之間的浮點數；

S114、將所述第十四矩陣M14與所述第八矩陣M8相加，得到一個第十五矩陣M15，將當前的所述第八矩陣M8更新為所述第十五矩陣M15，所述第十五矩陣M15的行數為c，列數為d，所述第十五矩陣M15中的元素值的取值范圍為之間的浮點數；以及

S115、將所述第十五矩陣M15進行二值化，將所述第十五矩陣M15中大于0的元素值轉化為1，將所述第十五矩陣M15中小于等于0的元素值轉化為-1，得到一個第十六矩陣M16，所述第十六矩陣M16的行數為c，列數為d，所述第十六矩陣M16中的元素值為-1或1；將當前的所述第七矩陣M7更新為所述第十六矩陣M16，返回步驟S107。