一种基于神经网络的数据次分量提取方法

文档序号:6550035阅读:514来源:国知局
一种基于神经网络的数据次分量提取方法
【专利摘要】本发明公开了一种神经网络的数据次分量提取方法,该方法首先进行数据的预处理,如对于一张图像的数据,采用图像矩阵分块的方法,将每一个图像块中的灰度值数据转换一个列向量;构建次分量分析神经网络;初始化权值向量和k值;在得到列向量中随机选取一个列向量作为次分量分析神经网络的输入值;计算次分量分析神经网络的输出;进行迭代计算更新权值向量值,检验算法是否已收敛,如收敛,得到的这个向量就是该数据集的关联矩阵的最小特征值所对应的特征向量。本发明的有益效果是能克服现有技术存在的缺陷,提取出数据中的弱特征,可用于检测视频中的烟、雾、粉尘等重要信息。
【专利说明】一种基于神经网络的数据次分量提取方法

【技术领域】
[0001] 本发明属于数据处理【技术领域】,涉及一种基于神经网络的数据次分量提取方法。

【背景技术】
[0002] 数据次分量的提取对于波束形成、直线/曲面拟合、发现图像中的烟、雾、粉尘等 信息具有重要的作用。数据的次分量,是数据的相关矩阵的最小特征值所对应的特征向量。 在输入数据的次分量提取过程中,常用的方法是矩阵方法。它先求取输入数据(通常表示 为列向量形式)的关联矩阵,再求解关联矩阵的一个特征值问题以获得次分量,这种方法 无法处理高维的大规模数据,且不能进行在线数据的次分量提取。例如:如果数据是10000 维的列向量,则它的关联矩阵是一个10000x10000的方阵,处理该关联矩阵需要的存储空 间和计算资源都很大。


【发明内容】

[0003] 本发明的目的在于提供一种基于神经网络的数据次分量提取方法,解决了现有的 方法无法处理高维的大规模数据,且不能进行在线数据的次分量提取的问题。
[0004] 本发明所采用的技术方案是按照以下步骤进行:
[0005] 步骤1 :进行数据的预处理,例如对于一张图像的数据,采用图像矩阵分块的方 法,将每一个图像块中的灰度值数据转换一个列向量;
[0006] 步骤2 :构建次分量分析神经网络,其输入输出关系为y (k) = w(k)Tx(k);
[0007] 步骤3 :初始化权值向量和令k值为0 ;
[0008] 步骤4 :从步骤1得到列向量集合中随机选取一个列向量作为神经网络的输入向 量;
[0009] 步骤5 :计算次分量分析神经网络的输出;
[0010] 步骤6 :进行迭代计算更新权值向量值,迭代公式为:
[0011]

【权利要求】
1. 一种神经网络的数据次分量提取方法,其特征在于按照以下步骤进行: 步骤1 :进行图像数据的预处理,对于一张图像的数据,采用图像矩阵分块的方法,将 每一个图像块中的灰度值数据转换一个列向量; 步骤2:构建次分量分析神经网络y(k) =w(k)Tx(k); 步骤3 :初始化权值向量和k值; 步骤4 :在步骤1得到列向量中随机选取一个列向量作为次分量分析神经网络的输入 值; 步骤5 :计算次分量分析神经网络的输出; 步骤6 :进行迭代计算更新权值向量值,迭代公式为:
步骤7 :检验算法是否已收敛,收敛条件为:w(k+1) _w(k) < e,其中,e为〇. 〇1 ;如果 收敛条件满足,则认为算法已收敛,则输出提取到的次分量w (k+1),得到的这个向量就是该 数据集的关联矩阵的最小特征值所对应的特征向量,算法结束;否则,取k = k+l,迭代步数 加1,返回执行步骤4。
【文档编号】G06N3/02GK104063687SQ201410273098
【公开日】2014年9月24日 申请日期:2014年6月18日 优先权日:2014年6月18日
【发明者】彭德中, 张海仙, 郭际香, 桑永胜, 毛华, 甄亮利 申请人:彭德中
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1