欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023102550999
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度强化学习与进化算法的图像识别方法,其特征是按如下步骤进行:步骤一、收集图像数据并进行标准化处理;

获取T个图像样本及其类别标签,并根据每个图像样本的类别标签,提取每个图像样本对应的属性特征,从而得到图像样本的属性特征集其中,xt表示第t个图像样本的属性特征,yt表示第t个图像样本的真实类别标签,t=1,2,…,T;T表示图像样本的数量;

步骤二、定义优化目标及优化目标函数:

步骤2.1、构建图像识别网络Model,包括:输入层、隐藏层和输出层;并利用式(1)构建图像识别网络Model的决策向量C:C=(p1,p2,...,pi,...,pk,a1,a2,...,ai,...,ak,r,z) (1)式(1)中,pi为图像识别网络Model中第i层隐藏层的神经元数量,ai为图像识别网络Model中第i层隐藏层选择的激活函数,z为图像识别网络Model的优化器,r为图像识别网络Model的学习率;1≤i≤k;k表示图像识别网络Model中隐藏层的总层数;

步骤2.2、以所述图像识别网络Model对T个图像样本的识别误差率最小为第一优化目标函数f1;以所述图像识别网络中隐藏层的神经元数量最小为第二优化目标函数f2;从而建立多目标优化函数步骤三、采用基于深度学习与进化算法对多目标优化函数F进行求解;

步骤3.1、定义优化目标的决策向量上界为Upper;定义优化目标的决策向量下界为Lower;定义种群为P,定义种群P的大小为N;定义均匀分布的权重向量为w;定义每个权重向量的邻居索引为B;定义深度神经网络为Q,定义经验回放池为U,定义候选算子集为OP;定义当前代为gen,并初始化gen=1;定义总代数为G;

步骤3.2、根据上界Upper和下界Lower初始化第gen代种群其中,表示第gen代种群Pgen中第n个个体;

定义第gen代种群Pgen中的每个个体是由决策向量C和多目标优化函数F组成;

步骤3.3、初始化n=1;随机初始化第gen代种群Pgen中的第n个个体的决策向量步骤3.4、利用第gen代种群Pgen中第n个个体的决策向量构建第gen代种群Pgen中第t个图像识别网络并将T个图像样本的属性特征输入中进行处理,并得到预测的类别标签集其中,表示在第t个图像样本的属性特征xt上的预测类别标签;

步骤3.5、基于与真实的类别标签集构建的损失函数值并计算的多目标优化函数

步骤3.6、将t+1赋值给t,判断t

步骤3.7、交配池选择:

通过锦标赛算法从第gen代种群Pgen中选出M个个体组成第gen代交配池其中,表示第gen代交配池Parentgen中第m个父代;M是父代数;

步骤3.8、计算第m个父代的权重向量并从的邻居索引中随机选取一个邻居作为第二个父代将的决策向量和权重向量组合为状态将状态输入到深度神经网络Q中,得出第gen代第m个候选算子集中每个算子的概率值,并通过轮盘赌从概率值中选择一个算子op;

步骤3.9、利用算子op对和进行交叉变异,从而产生子代

步骤3.10、从邻居索引中选择一个邻居y,分别计算子代和邻居y的聚合函数值,如果子代的聚合函数值小于邻居y的聚合函数值,则用子代替换邻居y,否则,不替换;从而遍历完邻居索引中的所有邻居,并得到第gen+1代种群Pgen+1;

步骤3.11、定义子代的聚合函数值相对于父代的聚合函数值的提升幅度作为奖励同时将子代的决策向量和权重向量组合为一个状态state2,将,op,state2作为一组训练数据,并放入经验回放池U中;

步骤3.12、从经验回放池T中随机选取若干组训练数据并输入所述深度神经网络Q中进行训练,得到训练后的深度神经网络,并赋值给Q;

步骤3.13、将gen+1赋值给gen,判断gen

步骤四、对图像样本进行分类;

令表示最终种群PG的第j个个体,初始化j=1;

步骤4.1、将图像识别方法模型Model的模型参数替换为第j个个体的决策向量从而得到图像识别方法模型Modelj;

步骤4.2、将属性特征输入第j个图像识别模型Modelj中进行处理,得到T个图像识别结果其中y″t表示所述图像识别模型Modelj在第t个图像的样本上的预测类别标签,根据识别结果和所述真实类别标签集构建第j个图像识别模型Modelj的损失函数Lossj;

步骤4.3、利用梯度下降法对第j个图像识别模型Modelj进行训练,并计算损失函数Lossj以更新模型参数,直到Lossj收敛为止,从而得到训练后的第j个图像识别模型Modelj;

步骤4.4、将属性特征输入训练后的第j个图像识别模型Modelj中进行处理,得到更新后的图像识别结果其中,表示训练后的第j个图像识别模型Modelj在第t个图像样本的预测类别标签,根据更新后的图像识别结果与真实标签信息间的损失函数值Loss'j,计算第G代种群PG中的第j个个体的两个优化目标函数值;

步骤4.5、将j+1赋值给j,若j>N,则表示第G代种群PG中的所有个体的两个优化目标函数值优化完成,并执行步骤4.6,否则,返回步骤4.1顺序执行;

步骤4.6、在二维坐标系中对第G代种群PG中每个个体优化后的两个优化目标函数值进行拟合,得到拟合曲线,选择拟合曲线的拐点处所对应个体的决策向量,并代入图像识别网络Model中,从而得到最优图像分类模型Modelfinal用于对图像进行识别分类。

2.一种电子设备,包括存储器以及处理器,其特征在于,所述存储器用于存储支持处理器执行权利要求1所述图像识别方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。

3.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1所述图像识别方法的步骤。