[發(fā)明專利]一種基于CNN和PCA的多屬性分類任務(wù)的分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011156549.1
• 申請(qǐng)日: 2020-10-26
• 公開(kāi)（公告）號(hào): CN112257791A
• 公開(kāi)（公告）日: 2021-01-22
• 發(fā)明（設(shè)計(jì)）人: 袁正午;黃文東;李林
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04
• 代理公司: 北京同恒源知識(shí)產(chǎn)權(quán)代理有限公司 11275
• 代理人: 趙榮之

1.一種基于CNN和PCA的多屬性分類任務(wù)的分類方法，其特征在于，該方法具體包括以下步驟：

S1：模型訓(xùn)練，具體包括：

S11：獲取具有多個(gè)屬性的分類數(shù)據(jù)集；

S12：對(duì)數(shù)據(jù)集中的屬性值預(yù)處理；

S13：對(duì)預(yù)處理后的數(shù)據(jù)集采用主成分分析PCA方法進(jìn)行特征提取，得到獨(dú)立特征；

S14：對(duì)卷積神經(jīng)網(wǎng)絡(luò)CNN進(jìn)行預(yù)訓(xùn)練，再將預(yù)處理后的數(shù)據(jù)集輸入預(yù)訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)CNN，得到組合特征；

S15：將獨(dú)立特征和組合特征進(jìn)行拼接得到混合特征；

S16：將混合特征輸入深度神經(jīng)網(wǎng)絡(luò)DNN，進(jìn)行訓(xùn)練；

S2：采集實(shí)時(shí)樣本數(shù)據(jù)；

S3：將采集到的實(shí)時(shí)樣本數(shù)據(jù)依照步驟S11～S15的方式進(jìn)行處理后，輸入到訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)DNN模型，得到分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于CNN和PCA的多屬性分類任務(wù)的分類方法，其特征在于，多屬性數(shù)據(jù)集是領(lǐng)域?qū)＜宜o出的，含有多個(gè)刻畫該樣本的特征屬性。

3.根據(jù)權(quán)利要求1所述的基于CNN和PCA的多屬性分類任務(wù)的分類方法，其特征在于，步驟S12中，數(shù)據(jù)預(yù)處理采用的是標(biāo)準(zhǔn)化操作：即在特征屬性維度上減去均值，再除以標(biāo)準(zhǔn)差，使數(shù)據(jù)服從標(biāo)準(zhǔn)正態(tài)分布。

4.根據(jù)權(quán)利要求1所述的基于CNN和PCA的多屬性分類任務(wù)的分類方法，其特征在于，步驟S14中，預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)CNN，包括：5個(gè)卷積層，4個(gè)平均池化層，1個(gè)Dropout層，一個(gè)空間金字塔池化層和三個(gè)全連接層，前四個(gè)卷積層后面各連接一個(gè)平均池化層，所采用的是1×3大小的卷積核和池化核，同時(shí)，在最后一個(gè)卷積層后面采用空間金字塔池化層來(lái)得到一個(gè)固定大小的特征表示，此外為保證模型的泛化能力，將Dropout層置于第1個(gè)全連接層與第二個(gè)全連接層之間。

5.根據(jù)權(quán)利要求1所述的基于CNN和PCA的多屬性分類任務(wù)的分類方法，其特征在于，步驟S15中，得到混合特征，具體包括：采用bootstrap對(duì)獨(dú)立特征和組合特征進(jìn)行有放回的采樣，將采樣得到的特征進(jìn)行拼接融合，得到混合特征。

6.根據(jù)權(quán)利要求1所述的基于CNN和PCA的多屬性分類任務(wù)的分類方法，其特征在于，步驟S16中，訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)DNN包括：5個(gè)全連接層，3個(gè)Dropout層，為了得到類別置信度，最后一個(gè)全連接層采用softmax激活函數(shù)，其余均采用relu激活函數(shù)，同時(shí)將Dropout層分別置于前三個(gè)全連接層之后，用來(lái)控制參數(shù)量，避免過(guò)擬合。