[發(fā)明專利]一種基于誤差反向傳播算法的手繪圖形分類方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110544233.8
• 申請(qǐng)日: 2021-05-19
• 公開（公告）號(hào): CN113240018B
• 公開（公告）日: 2023-02-03
• 發(fā)明（設(shè)計(jì)）人: 張黎明;代亞美;趙輝;王勛;林靜涵;王洋;孟姣;牛慶然;章國江;霍鑫
• 申請(qǐng)（專利權(quán)）人: 哈爾濱醫(yī)科大學(xué);哈爾濱工業(yè)大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/82;G06N3/0499;G06N3/084
• 代理公司: 黑龍江立超同創(chuàng)知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 23217
• 代理人: 楊立超

1.一種基于誤差反向傳播算法的手繪圖形分類方法，其特征在于，包括下述步驟：

步驟一、設(shè)計(jì)一個(gè)或多個(gè)規(guī)則圖形描繪模板；所述規(guī)則圖形描繪模板包括阿基米德線、矩形、正五邊形以及正六邊形四種模板，且所述規(guī)則圖形描繪模板上有定位點(diǎn)；

步驟二、通過描繪規(guī)則圖形描繪模板得到多組手寫軌跡數(shù)據(jù)，將所述手寫軌跡數(shù)據(jù)進(jìn)行數(shù)字化處理，獲取手繪圖像數(shù)據(jù)；其中，所述手寫軌跡數(shù)據(jù)包括對(duì)應(yīng)手部存在震顫的異常軌跡數(shù)據(jù)和對(duì)應(yīng)手部不存在震顫的正常軌跡數(shù)據(jù)；

步驟三、對(duì)所述手繪圖像數(shù)據(jù)進(jìn)行預(yù)處理；

步驟四、根據(jù)所述手寫軌跡數(shù)據(jù)中手寫軌跡的細(xì)節(jié)特征構(gòu)造BP神經(jīng)網(wǎng)絡(luò)模型；

步驟五、將所述手繪圖像數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)，根據(jù)訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型；具體過程包括：

步驟五一、首先進(jìn)行信號(hào)的正向傳播：將訓(xùn)練數(shù)據(jù)傳向輸入層，在[-1,1]區(qū)間內(nèi)隨機(jī)分配權(quán)重的值，在[0,1]區(qū)間內(nèi)隨機(jī)分配偏置的值，實(shí)現(xiàn)信號(hào)從輸入層經(jīng)過隱藏層到輸出層的傳播，得到輸出值與誤差函數(shù)；具體地，令數(shù)據(jù)集數(shù)據(jù)的個(gè)數(shù)為m；輸入層的輸入信號(hào)為x＝(x₁,x₂)；隱藏層的輸入信號(hào)為hi＝(hi₁,hi₂… hi_p)、輸出信號(hào)為ho＝(ho₁,ho₂…h(huán)o_p)；輸出層的輸入信號(hào)為yi＝(yi₁,yi₂)、輸出信號(hào)為yo＝(yo₁,yo₂)；期望輸出值為e＝(e₁,e₂)；

在前向傳播過程中，當(dāng)輸入信號(hào)輸入至隱藏層時(shí)，有：

ho_h(k)＝f(hi_h(k))

其中，w_ih為該過程的權(quán)值函數(shù)，b_h為該過程的偏置函數(shù)；f(z)為激活函數(shù)，特點(diǎn)是函數(shù)本身及其導(dǎo)數(shù)都是連續(xù)的，有f(z)＝1/(1+e^-z)，(k＝1,2… m),(h＝1,2…p)；

當(dāng)隱藏層的輸出信號(hào)傳遞至輸出層時(shí)，有：

yo_j(k)＝f(yi_j(k))

其中，w_hj為該過程的權(quán)值函數(shù)，b_j為該過程的偏置函數(shù)，(j＝1,2)；

步驟五二、然后進(jìn)行誤差的反向傳播：利用鏈?zhǔn)椒▌t計(jì)算誤差函數(shù)對(duì)輸出層中各神經(jīng)單元以及隱藏層各神經(jīng)單元的偏導(dǎo)數(shù)；具體地，輸出層的輸出與期望的輸出之間的誤差函數(shù)為：

利用鏈?zhǔn)椒▌t計(jì)算誤差函數(shù)對(duì)輸出層中各神經(jīng)元的偏導(dǎo)數(shù)：

計(jì)算誤差函數(shù)對(duì)隱藏層的各神經(jīng)元的偏導(dǎo)數(shù)：

步驟五三、然后進(jìn)行權(quán)值修正：利用最速下降法，沿著負(fù)梯度方向可使誤差函數(shù)降低，利用輸出層各神經(jīng)單元的偏導(dǎo)數(shù)、隱藏層各神經(jīng)單元的輸出以及偏導(dǎo)數(shù)、輸入層各神經(jīng)單元的輸出來修正權(quán)值；具體地公式為：

其中，η為學(xué)習(xí)率，學(xué)習(xí)率大容易使模型陷入局部最優(yōu)解，學(xué)習(xí)率小會(huì)影響模型的訓(xùn)練速度；

步驟五四、最后進(jìn)行多次迭代，即信號(hào)正向傳播與誤差反向傳播的各層權(quán)值調(diào)整，直至達(dá)到預(yù)設(shè)的訓(xùn)練次數(shù)為止；

步驟六、將測(cè)試數(shù)據(jù)輸入訓(xùn)練得到的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類，將測(cè)試數(shù)據(jù)分類正確率與預(yù)設(shè)正確率閾值進(jìn)行比較，如果測(cè)試數(shù)據(jù)分類正確率小于預(yù)設(shè)正確率閾值，則修改訓(xùn)練參數(shù)重新訓(xùn)練直至測(cè)試數(shù)據(jù)分類正確率達(dá)到或超過預(yù)設(shè)正確率閾值，保存訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型及參數(shù)；

步驟七、將待分類手寫軌跡數(shù)據(jù)進(jìn)行數(shù)字化處理后獲取待分類手繪圖像數(shù)據(jù)，將待分類手繪圖像數(shù)據(jù)輸入上述訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型中，獲得分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于誤差反向傳播算法的手繪圖形分類方法，其特征在于，步驟二中設(shè)置阿基米德線模板的描繪周期為6π，矩形、正五邊形與正六邊形模板的描繪周期為5個(gè)周長。