[發明專利]目標分類識別方法、裝置、計算機設備及存儲介質

有效

• 申請號: 202010177845.3
• 申請日: 2020-03-13
• 公開（公告）號: CN111401440B
• 公開（公告）日: 2023-03-31
• 發明（設計）人: 韋鵬程;黃思行
• 申請（專利權）人: 重慶第二師范學院
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/2415;G06N3/0464;G06N3/047;G06N3/08
• 代理公司: 北京國坤專利代理事務所(普通合伙) 11491
• 代理人: 趙紅霞

1.一種目標分類識別方法，其特征在于，所述方法包括：

獲取目標物的多模態數據，并對所述多模態數據進行數據預處理，得到所述目標物的標準多模態數據；

將所述標準多模態數據輸入至測量模型中，通過所述測量模型提取所述標準多模態數據的特征向量；其中，將基于機器學習的測量模型深度網絡提取的預處理的距離目標深度神經網絡作為距離信號目標的特征向量；

根據所述特征向量以及所述標準多模態數據，通過所述測量模型中的回歸分類器對所述目標物進行分類識別處理，得到目標分類識別結果；

所述通過所述測量模型中的回歸分類器對所述目標物進行分類識別處理，得到目標分類識別結果，包括：所述回歸分類器通過受限玻爾茲曼機算法進行學習，并更新所述受限玻爾茲曼機算法的權重，得到所述受限玻爾茲曼機算法的權重更新公式；根據所述權重更新公式得到目標受限玻爾茲曼機算法；根據所述目標受限玻爾茲曼機算法，將所述標準多模態數據映射至所述測量模型中，通過所述測量模型對所述目標物進行分類識別處理，得到目標分類識別結果；

所述對所述多模態數據進行數據預處理，得到所述目標物的標準多模態數據，包括：獲取初始數據處理范圍；根據所述目標物調整所述初始數據處理范圍，得到目標數據處理范圍；根據所述目標數據處理范圍，對所述多模態數據中的異常數據進行清除，得到所述目標物的標準多模態數據；所述異常數據用于表示噪聲數據。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

獲取初始測量模型；

所述初始測量模型通過無監督學習獲得初始參數；

使用反向傳播算法對所述初始測量模型中的初始參數進行調整，得到所述測量模型。

3.根據權利要求1所述的方法，其特征在于，所述回歸分類器通過受限玻爾茲曼機算法進行學習，并更新所述受限玻爾茲曼機算法的權重，得到所述受限玻爾茲曼機算法的權重更新公式，包括：

定義所述受限玻爾茲曼機算法的能量函數；

通過最大似然法對所述能量函數進行處理，得到對數似然函數；

根據所述對數似然函數得到學習率，所述回歸分類器根據所述學習率學習；

通過梯度下降法對所述對數似然函數進行處理，得到所述受限玻爾茲曼機算法的權重更新公式。

4.根據權利要求1所述的方法，其特征在于，所述測量模型的訓練過程包括：

獲取樣本數據，并將所述樣本數據輸入至深度神經網絡中，通過所述深度神經網絡的第一層編碼器得到的第一隱層狀態；

使用貪婪算法對所述深度神經網絡中的隱層進行逐層初始化，得到各個隱層的隱層狀態；

根據各個隱層的所述隱層狀態，通過BP算法調整所述深度神經網絡的全局最優權重向量；

根據所述全局最優權重向量，通過SoftMax回歸成本函數來訓練所述測量模型的參數。

5.一種目標分類識別裝置，其特征在于，所述裝置包括：

數據獲取模塊，用于獲取目標物的多模態數據，并對所述多模態數據進行數據預處理，得到所述目標物的標準多模態數據；

特征向量提取模塊，用于將所述標準多模態數據輸入至測量模型中，通過所述測量模型提取所述標準多模態數據的特征向量；其中，將基于機器學習的測量模型深度網絡提取的預處理的距離目標深度神經網絡作為距離信號目標的特征向量；

分類識別模塊，用于根據所述特征向量以及所述標準多模態數據，通過所述測量模型中的回歸分類器對所述目標物進行分類識別處理，得到目標分類識別結果；

所述分類識別模塊，還用于所述回歸分類器通過受限玻爾茲曼機算法進行學習，并更新所述受限玻爾茲曼機算法的權重，得到所述受限玻爾茲曼機算法的權重更新公式；根據所述權重更新公式得到目標受限玻爾茲曼機算法；根據所述目標受限玻爾茲曼機算法，將所述標準多模態數據映射至所述測量模型中，通過所述測量模型對所述目標物進行分類識別處理，得到目標分類識別結果；

所述數據獲取模塊，還用于獲取初始數據處理范圍；根據所述目標物調整所述初始數據處理范圍，得到目標數據處理范圍；根據所述目標數據處理范圍，對所述多模態數據中的異常數據進行清除，得到所述目標物的標準多模態數據；所述異常數據用于表示噪聲數據。