[發明專利]基于深度卷積神經網絡的突發事件分級分類方法及裝置

在審

• 申請號: 201710934731.7
• 申請日: 2017-10-09
• 公開（公告）號: CN107818337A
• 公開（公告）日: 2018-03-20
• 發明（設計）人: 潘維;孫亭;李毅;葉云;沈自然;孫苑;周翠翠
• 申請（專利權）人: 中國電子科技集團公司第二十八研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京中知法苑知識產權代理事務所(普通合伙)11226
• 代理人: 常玉明

技術領域

本發明涉及智慧城市技術領域，具體涉及一種基于深度卷積神經網絡的突發事件分級分類方法及裝置。

背景技術

當前，國內外對突發事件分級分類通常有兩種形式：一是純人工判定，根據歷史突發事件情況，人工總結出相關核心特征，形成指標體系，當新的突發事件到來時，依據指標，人工判斷事件的類型和級別；二是人工+自動判定，首先通過人工總結出突發事件核心特征，形成指標體系，當新的突發事件到來時，交由機器來計算事件的類型和級別。

現有的處理突發事件分級分類的方法，都是利用傳統的機器學習技術，比如貝葉斯網絡、SVM支持向量機算法、模糊決策法等。然而，這些方法對突發事件特征的選取部分都是由人工完成，存在一定的主觀性和隨意性。

發明內容

針對現有技術存在的缺陷，本發明提供了一種基于深度卷積神經網絡的突發事件分級分類方法及裝置，通過歷史圖像數據訓練深度卷積神經網絡來自動學習突發事件特征，進而對事件進行分級分類，輔助決策者科學客觀地掌握突發事件情況。

本發明的一個目的是提供了一種基于深度卷積神經網絡的突發事件分級分類方法，包括：

S1、獲取預先分類的每一類突發事件的圖像信息，建立突發事件圖像庫；

S2、針對每一類的突發事件圖像庫，對圖像庫中的每張圖像進行重要性標記；

S3、從標記的突發事件圖像庫中選取樣本集；

S4、建立深度卷積神經網絡模型，所述模型的輸入為突發事件原始圖像，輸出為突發事件分級分類向量；

S5、將樣本集放入到所述深度卷積神經網絡模型中進行訓練，利用S折交叉驗證來選擇模型；

S6、將待分級分類的突發事件圖像輸入到選擇的模型中進行計算，得到所述待分級分類的突發事件的分類分級結果。

其中，所述步驟S1之前還包括：

采集突發事件圖像信息并進行分類。

其中，所述步驟S3中，按照均勻概率隨機地分別從每個突發事件圖像庫中選取樣本集；

其中，所述對圖像庫中的每張圖像進行重要性標記，具體包括：

對每一類突發事件圖像數據庫，分別將每張圖像按照事件的可控性、影響程度以及影響范圍進行重要性標記，所述重要性標記包括一般、較大、重大、特別重大四個級別的重要性標記。

其中，所述步驟S4具體包括：

建立17層深度卷積神經網絡模型，其中，第一層為輸入層，輸入為突發事件原始圖像，第二、四、七、九、十二、十四層為卷積層，第三、五、八、十、十三、十五層為非線性變換層，第六、十一、十六層為下采樣層，第十七層為全連接層，輸出為突發事件分級分類向量，所述突發事件分級分類向量表示為[事件類型、事件級別]。

其中，所述第一層和第二層之間包括16個卷積核，第三層和第四層之間包括32個卷積核，第六層和第七層之間包括48個卷積核，第八層和第九層之間包括32個卷積核，第十一層和第十二層之間包括64個卷積核，第十三層和第十四層之間包括48個卷積核。

其中，第三層非線性函數為tanh，第五層非線性函數為Relu函數max(0,x)，第八層非線性函數為tanh，第十層非線性函數為sigmoid 函數，第十三層非線性函數為softplus函數，第十五層非線性函數為Relu函數max(0,x)。

其中，第六層為最大值池化，池化核尺寸(2x2)，池化核移動幅度為2，第十一層為平均值池化，池化核尺寸(2x2)，池化核移動幅度為2，第十六層為最大值池化，池化核尺寸(2x2)，池化核移動幅度為2。

進一步地，第十七層為全連接層，維度為(1x1x16)，其中16表示突發事件類型和事件級別的組合數，所述第十七層的輸出使用 softmax函數進行概率表示：

其中，i為突發事件類型和事件級別的組合序列數，i為1表示第一組突發事件類型和事件級別的組合，k表示大于零的自然數，用于計數，所述第十七層的輸出為16維向量，每一維表示突發事件圖像屬于這一維的概率。

進一步地，所述步驟S5中，通過交叉熵作為目標損失函數來對所述深度卷積神經網絡模型進行訓練，所述目標損失函數為：

其中，y_i表示圖片類別的第i維真實概率值，表示經過神經網絡計算得到圖片類別的第i維的概率值。

其中，所述步驟S5中利用S折交叉驗證來選擇模型，具體包括：

S51、將所述樣本集切分為S個互不相交的大小相同的子集；