基于流行学习和混沌粒子群的深度学习图像分类方法
【技术领域】
[0001] 本发明属于图像处理技术领域，涉及基于流行学习和混沌粒子群的深度学习图像 分类方法。
【背景技术】
[0002] 经过几十年的发展，图像的分类技术已经逐渐形成了较为系统的理论，目前通常 采用的是基于内容的医学图像分类技术，图像分类常用的方法主要有支持向量机、最小距 离法、贝叶斯算法、神经网络和聚类算法等。
[0003] 流行学习是一种新的机器学习方法，通过非监督学习方法可有效地发现高维非线 性数据集中的维数且进行维数简约，与以往机器学习的不同的地方是，该方法强调整体结 构，通过局部结合来发现和重组数据的内在规律。传统的降维的方法主要使用线性的方法， 例如主成分分析（PCA)等，该方法简单且容易计算，但实际问题中有用特征往不是特征的 线性组合，线性方法不能有效的处理庞大的高维数据，而该发明使用流行学习能较好的处 理该类数据。
[0004] 现今深度学习已经成为大数据和人工智能的热门领域，该方法通过建立类似于人 脑的分层模型结构，对输入数据逐级提取从底层到高层的特征，从而能很好的建立从底层 到高层的映射关系。当前多数图像分类等学习方法为浅层结构算法，其缺点在于有限样本 和计算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制 约。深度学习方法可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据 分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。
【发明内容】
[0005] 本发明的目的在于提供基于流行学习和混沌粒子群的深度学习图像分类方法。
[0006] 以往的降维方法主要使用线性的方法，例如主成分分析（PCA)等，该方法简单且 容易计算，但实际问题中有用特征往不是特征的线性组合，线性方法不能有效的处理庞大 的高维数据，而该发明使用的流行学习能较好的处理该类数据。
[0007] 当前多数图像分类、回归等学习方法为浅层结构算法，其缺点在于有限样本和计 算单元情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。 深度学习方法可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分 布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。
[0008] 本发明所采用的技术方案是基于流行学习和混沌粒子群的深度学习图像分类方 法，其特征在于按照以下步骤进行：
[0009] 步骤1 :对图像样本降维；
[0010] 步骤2 :利用自适应混沌粒子群来训练深度学习分类器，得到最优解相应的参数 值和特征子集；
[0011] 步骤3 :完成种群更新和条件判断；
[0012] 步骤4:根据优化的特征子集合参数组合，利用图像样本集重新训练深度学习分 类器；
[0013] 步骤5 :对图像数据进行分类。
[0014] 进一步，所述步骤1中降维采用LLE算法或者主成分分析法。
[0015] 进一步，所述步骤2中混沌粒子群优化算法为：
[0016] 步骤1001初始化粒子群；
[0017] 步骤1002混沌初始化粒子群；
[0018] 步骤1003计算评价每个粒子的适应度；
[0019] 如果粒子适应度优于个体极值或全局极值，则相应的更新个体极值和全局极值；
[0020] 步骤1004对粒子群的位置和速度进行更新；
[0021] 步骤1005对最优位置进行混沌优化；
[0022] 步骤1006用性能最好的可行解，更新当前种群粒子的位置；
[0023] 步骤1006a达到终止条件，若是则执行步骤1007,否则转步骤1003 ;
[0024] 步骤1007输出最优位置。
[0025] 进一步，所述步骤3完成种群更新和条件判断方法为更新粒子的最新速度和位 置，对最优位置混沌优化，根据粒子的最新位置得到最优解相应的参数值和特征子集，获得 最优的参数值和特征子集来训练深度学习分类器。
[0026] 进一步，所述步骤4中根据优化的特征子集合参数组合重新训练深度学习分类器 的方法为：
[0027] 根据优化的特征子集和参数组合重新训练深度学习分类器，对数据进行分类；
[0028] 1)使用自下上升非监督学习，先用无标定数据训练第一层，训练时先学习第一层 的参数，这一层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层，由 于模型能力的限制以及稀疏性约束，使得得到的模型能够学习到数据本身的结构，从而得 到比输入更具有表示能力的特征；在学习得到第n-1层后，将n-1层的输出作为第η层的输 入，训练第η层，由此分别得到各层的参数；
[0029] 2)自顶向下的监督学习，基于第一步得到的各层参数进一步调整整个多层模型的 参数。
[0030] 本发明的有益效果：
[0031] 1)本发明综合运用流行学习、深度学习、混沌理论和粒子群，研宄图像处理的方法 和技术，在图像处理的理论方法上实现创新；
[0032] 2)通过本发明进行图像的分类处理，挖掘图像内部的有用信息，为部门制定相关 政策提供了决策依据与服务。
【附图说明】
[0033] 图1基于流行学习和混沌粒子群的深度学习图像分类方法的流程图；
[0034] 图2构建自适应混沌粒子群的流程图；
[0035] 图3构建深度学习分类模型的流程图。
【具体实施方式】
[0036] 下面结合【具体实施方式】对本发明进行详细说明。
[0037] 本发明如图1所示，按照以下步骤进行：
[0038] 步骤一：对图像样本降维；
[0039] 该步骤采用流行学习进行图像样本降维。
[0040] 流形学习方法（Manifold Learning)，简称流形学习，自2000年在著名的科学杂 志《Science》被首次提出以来，已成为信息科学领域的研宄热点。假设数据是均匀采样于 一个高维欧氏空间中的低维流形，流形学习就是从高维采样数据中恢复低维流形结构，即 找到高维空间中的低维流形，并求出相应的嵌入映射，以实现维数约简或数据可视化。
[0041] 流形学习方法是模式识别中的基本方法，分为线性流形学习算法和非线性流形 学习算法，非线性流形学习算法包括等距映射（Isomap)，拉普拉斯特征映射（Laplacian eigenmaps，LE)，局部线性嵌入（Locally-linear embedding，LLE)等。而线性方法则是对非 线性方法的线性扩展，如主成分分析（Principal component analysis，PCA)，多维尺度变 换（Multidimensional scaling，MDS)等。譬如局部线性嵌入（Locally-linear embedding， LLE)相关工作发表在Science (2000)上，是非线性降维的里程碑。
[0042] LLE算法可以归结为三步：寻找每个样本点的k个近邻点；由每个样本点的近邻点 计算出该样本点的局部重建权值矩阵；由该样本点的局部重建权值矩阵和其近邻点计算出 该样本点的输出值。
[0043] 主成分分析法被认为是一种特别成功的特征提取和降维算法。它的原理是，利用 对原来的变量进行线性组合而得到新的变量（主成分），这些变量之间的方差最大。因为数 据原来的变量之间有可能差距不大，描述的内容差不多，故效率低下。由于方差在数据中描 述的变量之间的差距，故方差最大也就意味着新的变量之间有比较大的差距。这样，就可以 以较高的效率描述数据。
[0044] 步骤二：如图2所示，利用自适应混沌粒子群来训练深度学习分类器，得到最优解 相应的参数值和特征子集；
[0045] 混沌粒子群优化算法的基本思想：在不改变随机性的状态下，引入混沌序列对粒 子的速度和位置进行初始化，得到大量的初始群体增加多样性，通过遍历搜寻较优粒子作 为初始种群。在混沌初始化的过程中，混沌序列主要是通过当前粒子群的最优位置得到的， 在每一步迭代时，用最优位置粒子取代当前种群中的一个粒子位置。在这个搜寻过程