国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法和系統(tǒng)的制作方法

      文檔序號(hào):6510271閱讀:265來源:國知局
      基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法和系統(tǒng)的制作方法
      【專利摘要】本發(fā)明涉及一種基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法和系統(tǒng)。所述方法包括:a,采集訓(xùn)練樣本圖像和類別,建立訓(xùn)練樣本集;b,設(shè)定預(yù)先建立的神經(jīng)網(wǎng)絡(luò)參數(shù)的初始值,所述神經(jīng)網(wǎng)絡(luò)包括輸入層、中間變量層和輸出層,所述中間變量層的節(jié)點(diǎn)包括各個(gè)輸出神經(jīng)元節(jié)點(diǎn)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn),所述中間變量層的各節(jié)點(diǎn)分別與所述輸入層的每個(gè)輸入神經(jīng)元節(jié)點(diǎn)通過可變權(quán)值連接,所述可變權(quán)值包括可變的長期權(quán)值和短期權(quán)值;c,根據(jù)所述訓(xùn)練樣本集對(duì)所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練;步驟d,利用完成訓(xùn)練的所述神經(jīng)網(wǎng)絡(luò)對(duì)待分類圖像進(jìn)行識(shí)別分類。從輸入層到輸出層所需計(jì)算量與輸入樣本的次數(shù)成正比,即計(jì)算量是線性增長,大大減小,提高了識(shí)別效率。
      【專利說明】基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法和系統(tǒng)
      【技術(shù)領(lǐng)域】
      [0001]本發(fā)明涉及圖像識(shí)別領(lǐng)域,特別是涉及一種基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法和系統(tǒng)。
      【背景技術(shù)】
      [0002]無監(jiān)督學(xué)習(xí)方法是一種機(jī)器學(xué)習(xí)方式,其被廣泛的應(yīng)用于多個(gè)研究領(lǐng)域,例如數(shù)據(jù)挖掘、計(jì)算機(jī)視覺、人工智能等。例如,K-mean等聚類方法,能夠讓計(jì)算機(jī)自動(dòng)尋找出有規(guī)律的數(shù)據(jù)而去除無規(guī)律的噪聲數(shù)據(jù)。該K-mean聚類方法也可應(yīng)用于圖像領(lǐng)域,對(duì)圖像進(jìn)行分類識(shí)別,然而該K-mean聚類方法學(xué)習(xí)的計(jì)算量與輸入樣本的次數(shù)η的平方成正比,即計(jì)算量是η2增長的,因而導(dǎo)致識(shí)別效率低下。

      【發(fā)明內(nèi)容】

      [0003]基于此,有必要針對(duì)現(xiàn)有技術(shù)中圖像識(shí)別效率低下的問題,提供一種能提高識(shí)別效率的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法。
      [0004]此外,還有必要提供一種能提高識(shí)別效率的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)。
      [0005]一種基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法,包括:
      [0006]步驟a,采集訓(xùn)練樣本圖像和類別,并將所述訓(xùn)練樣本圖像按照類別順序建立訓(xùn)練樣本集;
      [0007]步驟b,設(shè)定預(yù)先建立的神經(jīng)網(wǎng)絡(luò)參數(shù)的初始值,所述神經(jīng)網(wǎng)絡(luò)包括輸入層、中間變量層和輸出層,所述中間變量層的節(jié)點(diǎn)包括各個(gè)輸出神經(jīng)元節(jié)點(diǎn)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn),所述中間變量層的各節(jié)點(diǎn)分別與所述輸入層的每個(gè)輸入神經(jīng)元節(jié)點(diǎn)通過可變權(quán)值連接,所述可變權(quán)值包括可變的長期權(quán)值和短期權(quán)值,所述輸出層的每個(gè)輸出神經(jīng)元節(jié)點(diǎn)分別與所述中間變量層中對(duì)應(yīng)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn)相連接;
      [0008]步驟C,根據(jù)所述訓(xùn)練樣本集對(duì)所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,直到各個(gè)神經(jīng)元的可變權(quán)值的變動(dòng)在預(yù)設(shè)允許范圍內(nèi)結(jié)束訓(xùn)練;
      [0009]步驟d,利用完成訓(xùn)練的所述神經(jīng)網(wǎng)絡(luò)對(duì)待分類圖像進(jìn)行識(shí)別分類。
      [0010]一種基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng),包括:
      [0011]樣本采集模塊,用于采集訓(xùn)練樣本圖像和類別,并將所述訓(xùn)練樣本圖像按照類別順序建立訓(xùn)練樣本集;
      [0012]初始化模塊,用于設(shè)定預(yù)先建立的神經(jīng)網(wǎng)絡(luò)參數(shù)的初始值,所述神經(jīng)網(wǎng)絡(luò)包括輸入層、中間變量層和輸出層,所述中間變量層的節(jié)點(diǎn)包括各個(gè)輸出神經(jīng)元節(jié)點(diǎn)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn),所述中間變量層的各節(jié)點(diǎn)分別與所述輸入層的每個(gè)輸入神經(jīng)元節(jié)點(diǎn)通過可變權(quán)值連接,所述可變權(quán)值包括可變的長期權(quán)值和短期權(quán)值,所述輸出層的每個(gè)輸出神經(jīng)元節(jié)點(diǎn)分別與所述中間變量層中對(duì)應(yīng)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn)相連接;
      [0013]訓(xùn)練模塊,用于根據(jù)所述訓(xùn)練樣本集對(duì)所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,直到各個(gè)神經(jīng)元的可變權(quán)值的變動(dòng)在預(yù)設(shè)允許范圍內(nèi)結(jié)束訓(xùn)練;
      [0014]分類模塊,用于利用完成訓(xùn)練的所述神經(jīng)網(wǎng)絡(luò)對(duì)待分類圖像進(jìn)行識(shí)別分類。
      [0015]上述基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法和系統(tǒng),建立的神經(jīng)網(wǎng)絡(luò)中輸入層的輸入樣本按類別順序輸入,且從輸入層到輸出層所需計(jì)算量與輸入樣本的次數(shù)成正比,即計(jì)算量是線性增長,相比于傳統(tǒng)的K均值聚類法的計(jì)算量,大大減小,提高了識(shí)別效率。
      [0016]此外,因長期權(quán)值是緩慢改變的,對(duì)噪聲有較好的抵抗能力,短期權(quán)值能夠快速學(xué)習(xí)識(shí)別,故采用長期權(quán)值和短期權(quán)值機(jī)制,能夠具有更強(qiáng)的抗噪聲能力,且識(shí)別效率高;且該神經(jīng)網(wǎng)絡(luò)具有良好的可擴(kuò)展性,可以構(gòu)建成多層神經(jīng)網(wǎng)絡(luò)系統(tǒng),從而獲得更強(qiáng)的學(xué)習(xí)能力;通過測試樣本進(jìn)行對(duì)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)進(jìn)行測試,在未達(dá)到分類精確度時(shí),再調(diào)整權(quán)值和參數(shù)重新訓(xùn)練,可提高神經(jīng)網(wǎng)絡(luò)的識(shí)別精確度。
      【專利附圖】

      【附圖說明】
      [0017]圖1為一個(gè)實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法的流程圖;
      [0018]圖2為神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖;
      [0019]圖3為根據(jù)該訓(xùn)練樣本集對(duì)該神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的流程圖;
      [0020]圖4為另一個(gè)實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法的流程圖;
      [0021]圖5為一個(gè)實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)的結(jié)構(gòu)框圖;
      [0022]圖6為圖5中訓(xùn)練模塊的內(nèi)部結(jié)構(gòu)示意圖;
      [0023]圖7為另一個(gè)實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng)的結(jié)構(gòu)框圖;
      [0024]圖8a為原始圖像;
      [0025]圖8b為加入了聞斯噪聲后的圖像;
      [0026]圖8c為權(quán)值的初始狀態(tài);
      [0027]圖8d為正權(quán)值的訓(xùn)練結(jié)果;
      [0028]圖8e為負(fù)權(quán)值的訓(xùn)練結(jié)果。
      【具體實(shí)施方式】
      [0029]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白,以下結(jié)合附圖及實(shí)施例,對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解,此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明,并不用于限定本發(fā)明。
      [0030]如圖1所示,為一個(gè)實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法的流程圖。一種基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法,包括:
      [0031]步驟102,采集訓(xùn)練樣本圖像和類別,并將該訓(xùn)練樣本圖像按照類別順序建立訓(xùn)練樣本集 。
      [0032]具體的,首先采集訓(xùn)練樣本圖像且分不同的類別,每類別的圖像的樣本數(shù)相同,例如采集的圖像共有10類,第一類圖像的樣本數(shù)為1000,則其它9類圖像的樣本數(shù)也為1000。然后將訓(xùn)練樣本按照類別順序建立訓(xùn)練樣本集,即輸入樣本的順序?yàn)榈谝活悎D像樣本、第二類圖像樣本、第三類圖像樣本、……、第十類圖像樣本、第一類圖像樣本。
      [0033]步驟104,設(shè)定預(yù)先建立的神經(jīng)網(wǎng)絡(luò)參數(shù)的初始值,該神經(jīng)網(wǎng)絡(luò)包括輸入層、中間變量層和輸出層,該中間變量層的節(jié)點(diǎn)包括各個(gè)輸出神經(jīng)元節(jié)點(diǎn)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn),該中間變量層的各節(jié)點(diǎn)分別與該輸入層的每個(gè)輸入神經(jīng)元節(jié)點(diǎn)通過可變權(quán)值連接,該可變權(quán)值包括可變的長期權(quán)值和短期權(quán)值,該輸出層的每個(gè)輸出神經(jīng)元節(jié)點(diǎn)分別與該中間變量層中對(duì)應(yīng)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn)相連接。
      [0034]本實(shí)施例中,預(yù)先建立的神經(jīng)網(wǎng)絡(luò)的輸入層的輸入數(shù)據(jù)的維度大小與圖像像素大小相同,如輸入的圖像為100X100像素大小的圖像,則神經(jīng)網(wǎng)絡(luò)的輸入層的輸入數(shù)據(jù)的維度大小為100X100。還需設(shè)置希望通過神經(jīng)網(wǎng)絡(luò)得到的類別數(shù),如10類。
      [0035]神經(jīng)網(wǎng)絡(luò)的參數(shù)包括用于調(diào)節(jié)長期權(quán)值和短期權(quán)值對(duì)輸出神經(jīng)元的影響比例的變量σ、隱藏變量的變化步長δ、權(quán)值的變化步長P、神經(jīng)元非線性函數(shù)的變化曲率a、偏移量s和隨訓(xùn)練次數(shù)變化的變量b,需要對(duì)神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置初始值。本實(shí)施例中,σ 一般設(shè)置在0.1至0.3之間;δ —般設(shè)置在0.5至3之間;ρ設(shè)置在O至I之間,且不為O ;a設(shè)置在30至100之間;b的初始值設(shè)置為0.5 ;s設(shè)置為0.05至0.15之間。在其他實(shí)施例中,這些參數(shù)可為其他值。此外,a分為a+和a_,且a+和a_初始值相等;b分為b+和b_,且b+和b_初始值相等;P分為P +和P _,且P +和P _初始值相等。
      [0036]如圖2所示為神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。圖2中神經(jīng)網(wǎng)絡(luò)包括輸入層、中間變量層和輸出層。輸入層的輸入數(shù)據(jù)可為任意維度,圖2中&、&、&和\為4個(gè)輸入神經(jīng)元節(jié)點(diǎn);中間變量層的節(jié)點(diǎn)Yi+和Y1-為第一個(gè)輸出神經(jīng)元的中間變量節(jié)點(diǎn),Y1+為第一個(gè)輸出神經(jīng)元的興奮型變量節(jié)點(diǎn)、Y1-為第一個(gè)輸出神經(jīng)元的抑制型變量節(jié)點(diǎn);輸出層的節(jié)點(diǎn)Y1是第一個(gè)輸出神經(jīng)元,是第一個(gè)輸出神經(jīng)元的興奮型變量和抑制型變量綜合作用的結(jié)果;同樣Yn是第η個(gè)輸出神經(jīng)元;輸出神經(jīng)元即為類別的輸出。中間變量層的各節(jié)點(diǎn)(如Yn+)分別與X1至X4通過可變權(quán)值相連,輸出層的每個(gè)輸出神經(jīng)元節(jié)點(diǎn)Yn分別與中間變量層中對(duì)應(yīng)的興奮型變量節(jié)點(diǎn)Yn+和抑制型變量節(jié)點(diǎn)Yn-相連接。
      [0037]步驟106,根據(jù)該訓(xùn)練樣本集對(duì)該神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,直到各個(gè)神經(jīng)元的可變權(quán)值的變動(dòng)在預(yù)設(shè)允許范圍內(nèi)結(jié)束訓(xùn)練。
      [0038]如圖3所示,該步驟106包括:
      [0039]步驟302,輸出神經(jīng)元反應(yīng)得到輸出響應(yīng),對(duì)該輸出響應(yīng)進(jìn)行競爭得到響應(yīng)最強(qiáng)的輸出神經(jīng)元作為獲勝神經(jīng)元。
      [0040]該步驟302中所需的輸入變量X、中間變量Υ±和輸出響應(yīng)Y之間的關(guān)系公式如下:
      [0041]
      【權(quán)利要求】
      1.一種基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法,包括: 步驟a,采集訓(xùn)練樣本圖像和類別,并將所述訓(xùn)練樣本圖像按照類別順序建立訓(xùn)練樣本集; 步驟b,設(shè)定預(yù)先建立的神經(jīng)網(wǎng)絡(luò)參數(shù)的初始值,所述神經(jīng)網(wǎng)絡(luò)包括輸入層、中間變量層和輸出層,所述中間變量層的節(jié)點(diǎn)包括各個(gè)輸出神經(jīng)元節(jié)點(diǎn)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn),所述中間變量層的各節(jié)點(diǎn)分別與所述輸入層的每個(gè)輸入神經(jīng)元節(jié)點(diǎn)通過可變權(quán)值連接,所述可變權(quán)值包括可變的長期權(quán)值和短期權(quán)值,所述輸出層的每個(gè)輸出神經(jīng)元節(jié)點(diǎn)分別與所述中間變量層中對(duì)應(yīng)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn)相連接; 步驟C,根據(jù)所述訓(xùn)練樣本集對(duì)所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,直到各個(gè)神經(jīng)元的可變權(quán)值的變動(dòng)在預(yù)設(shè)允許范圍內(nèi)結(jié)束訓(xùn)練; 步驟d,利用完成訓(xùn)練的所述神經(jīng)網(wǎng)絡(luò)對(duì)待分類圖像進(jìn)行識(shí)別分類。
      2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法,其特征在于,在步驟c之后,步驟d之前,還包括: 步驟e,獲取測試圖像和分類精確度閾值,將所述測試圖像輸入所述神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別分類,判斷得到的分類精確度是否小于等于所述分類精確度閾值,若是,則執(zhí)行步驟d,若否,則重新設(shè)定所述神經(jīng)網(wǎng)絡(luò)參數(shù)的值進(jìn)行訓(xùn)練。
      3.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法,其特征在于,所述參數(shù)包括用于調(diào)節(jié)長期權(quán)值和短期權(quán)值對(duì)輸出神經(jīng)元的影響比例的變量σ、隱藏變量的變化步長δ、權(quán)值的變化步長P、神經(jīng)元非線性函數(shù)的變化曲率a、偏移量s和隨訓(xùn)練次數(shù)變化的變量bo.
      4.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法,其特征在于,所述步驟c包括: 步驟Cl,輸出神經(jīng)元反應(yīng)得到輸出響應(yīng),對(duì)所述輸出響應(yīng)進(jìn)行競爭得到響應(yīng)最強(qiáng)的輸出神經(jīng)元作為獲勝神經(jīng)元; 步驟c2,根據(jù)所述獲勝神經(jīng)元按照預(yù)先設(shè)置的權(quán)值改變規(guī)則調(diào)整權(quán)值和參數(shù)值,再根據(jù)所述調(diào)整后的權(quán)值和參數(shù)值進(jìn)行訓(xùn)練,直到各個(gè)神經(jīng)元的可變權(quán)值的變動(dòng)在預(yù)設(shè)允許范圍內(nèi)結(jié)束訓(xùn)練。
      5.根據(jù)權(quán)利要求4所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法,其特征在于,所述步驟Cl中所需的輸入變量X、中間變量¥±和輸出響應(yīng)Y之間的關(guān)系公式如下:
      6.根據(jù)權(quán)利要求4所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法,其特征在于,所述步驟c2中權(quán)值改變規(guī)則公式如下:

      7.一種基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng),其特征在于,包括: 樣本采集模塊,用于采集訓(xùn)練樣本圖像和類別,并將所述訓(xùn)練樣本圖像按照類別順序建立訓(xùn)練樣本集; 初始化模塊,用于設(shè)定預(yù)先建立的神經(jīng)網(wǎng)絡(luò)參數(shù)的初始值,所述神經(jīng)網(wǎng)絡(luò)包括輸入層、中間變量層和輸出層,所述中間變量層的節(jié)點(diǎn)包括各個(gè)輸出神經(jīng)元節(jié)點(diǎn)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn),所述中間變量層的各節(jié)點(diǎn)分別與所述輸入層的每個(gè)輸入神經(jīng)元節(jié)點(diǎn)通過可變權(quán)值連接,所述可變權(quán)值包括可變的長期權(quán)值和短期權(quán)值,所述輸出層的每個(gè)輸出神經(jīng)元節(jié)點(diǎn)分別與所述中間變量層中對(duì)應(yīng)的興奮型變量節(jié)點(diǎn)和抑制型變量節(jié)點(diǎn)相連接; 訓(xùn)練模塊,用于根據(jù)所述訓(xùn)練樣本集對(duì)所述神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,直到各個(gè)神經(jīng)元的可變權(quán)值的變動(dòng)在預(yù)設(shè)允許范圍內(nèi)結(jié)束訓(xùn)練; 分類模塊,用于利用完成訓(xùn)練的所述神經(jīng)網(wǎng)絡(luò)對(duì)待分類圖像進(jìn)行識(shí)別分類。
      8.根據(jù)權(quán)利要求7所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng),其特征在于,所述系統(tǒng)還包括: 測試模塊,用于獲取測試圖像和分類精確度閾值,將所述測試圖像輸入所述神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別分類,判斷得到的分類精確度是否小于等于所述分類精確度閾值,若是,則執(zhí)行所述分類模塊,若否,則由所述訓(xùn)練模塊重新設(shè)定所述神經(jīng)網(wǎng)絡(luò)參數(shù)的值進(jìn)行訓(xùn)練。
      9.根據(jù)權(quán)利要求7所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng),其特征在于,所述參數(shù)包括用于調(diào)節(jié)長期權(quán)值和短期權(quán)值對(duì)輸出神經(jīng)元的影響比例的變量σ、隱藏變量的變化步長δ、權(quán)值的變化步長P、神經(jīng)元非線性函數(shù)的變化曲率a、偏移量s和隨訓(xùn)練次數(shù)變化的變量bo
      10.根據(jù)權(quán)利要求7所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng),其特征在于,所述訓(xùn)練模塊包括: 獲勝子模塊,用于輸出神經(jīng)元反應(yīng)得到輸出響應(yīng),對(duì)所述輸出響應(yīng)進(jìn)行競爭得到響應(yīng)最強(qiáng)的輸出神經(jīng)元作為獲勝神經(jīng)元; 調(diào)整子模塊,根據(jù)所述獲勝神經(jīng)元按照預(yù)先設(shè)置的權(quán)值改變規(guī)則調(diào)整權(quán)值和參數(shù)值; 再由所述獲勝子模塊根據(jù)所述調(diào)整后的權(quán)值和參數(shù)值進(jìn)行訓(xùn)練,循環(huán)執(zhí)行獲勝子模塊和調(diào)整子模塊,直到各個(gè)神經(jīng)元的可變權(quán)值的變動(dòng)在預(yù)設(shè)允許范圍內(nèi)結(jié)束訓(xùn)練。
      11.根據(jù)權(quán)利要求10所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng),其特征在于,所述獲勝子模塊執(zhí)行時(shí)所需的輸入變量X、中間變量¥±和輸出響應(yīng)Y之間的關(guān)系公式如下:
      12.根據(jù)權(quán)利要求10所述的基于神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別系統(tǒng),其特征在于,所述權(quán)值改變規(guī)則公式如下:
      【文檔編號(hào)】G06N3/02GK103473558SQ201310398873
      【公開日】2013年12月25日 申請(qǐng)日期:2013年9月4日 優(yōu)先權(quán)日:2013年9月4日
      【發(fā)明者】翁凱劍, 梁國遠(yuǎn), 吳新宇, 徐揚(yáng)生 申請(qǐng)人:深圳先進(jìn)技術(shù)研究院
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1