[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

本發明提供了適用于灰度圖片的神經網絡學習方法以及訓練方法，包括：灰度圖片預處理為第二矩陣；生成二值化的隨機編碼矩陣，然后乘以第二矩陣為第四矩陣；激活函數調整為第六矩陣；建立二值化的第七矩陣和浮點數的第八矩陣；第七矩陣乘以第六矩陣為第九矩陣；為代表字符的第十矩陣；將第十矩陣減去第九矩陣為第十一矩陣；將第六矩陣的轉置矩陣作為第十二矩陣；第六矩陣乘以第十二矩陣為過程參數；第十二矩陣除以過程參數為第十三矩陣；第十一矩陣乘以第十三矩陣為第十四矩陣；將第十四矩陣與第八矩陣相加得到第十五矩陣，作為新的第八矩陣；將第十五矩陣二值化作為新的第七矩陣；本發明減小矩陣運算時的字節數，加快運算速度，降低了硬件需求。

技術領域

本發明涉及神經網絡領域，尤其是適用于灰度圖片的神經網絡學習方法以及訓練方法。

背景技術

隨著計算機與信息技術的不斷演進，機器學習以及模式識別已成為近幾年來最炙手可熱的領域之一。在一些以往需要人執行的圖像識別任務正在逐漸被機器替代，例如車牌識別，人臉識別以及指紋識別等。雖然這些領域已經有相對成熟的解決方案，但是其方案應用的領域非常有限，往往只能在特定條件的環境下才能達到預期的識別效果；除此之外，傳統的圖像識別技術往往只能提取圖片的局部信息，而無法對待測試圖片中的所有信息作識別以及分類，應用范圍廣泛，識別準確度高。在現有的神經網絡學習方法中由于涉及到多位浮點數的運算，普遍計算量過大，減慢了運算速度，所以對運算設備的要求很高。

發明內容

本發明的目的在于提供適用于灰度圖片的神經網絡學習方法以及訓練方法，克服了現有技術的困難，能夠通過二值化矩陣和浮點數矩陣的交替使用，減小了矩陣運算時的字節數，加快運算速度，大大降低了對運算設備的要求。

根據本發明的一個方面，提供適用于灰度圖片的神經網絡學習方法，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中的每個所述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中的每個所述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中的每個所述元素值為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中的每個所述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，并且將每個所述元素值移位縮小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中的每個所述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中的每個所述元素值為-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中的每個所述元素值的取值范圍是[-1,+1]之間的浮點數；