一種基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)次分量提取方法
【專利摘要】本發(fā)明公開了一種神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)次分量提取方法，該方法首先進(jìn)行數(shù)據(jù)的預(yù)處理，如對(duì)于一張圖像的數(shù)據(jù)，采用圖像矩陣分塊的方法，將每一個(gè)圖像塊中的灰度值數(shù)據(jù)轉(zhuǎn)換一個(gè)列向量；構(gòu)建次分量分析神經(jīng)網(wǎng)絡(luò)；初始化權(quán)值向量和k值；在得到列向量中隨機(jī)選取一個(gè)列向量作為次分量分析神經(jīng)網(wǎng)絡(luò)的輸入值；計(jì)算次分量分析神經(jīng)網(wǎng)絡(luò)的輸出；進(jìn)行迭代計(jì)算更新權(quán)值向量值，檢驗(yàn)算法是否已收斂，如收斂，得到的這個(gè)向量就是該數(shù)據(jù)集的關(guān)聯(lián)矩陣的最小特征值所對(duì)應(yīng)的特征向量。本發(fā)明的有益效果是能克服現(xiàn)有技術(shù)存在的缺陷，提取出數(shù)據(jù)中的弱特征，可用于檢測(cè)視頻中的煙、霧、粉塵等重要信息。
【專利說(shuō)明】一種基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)次分量提取方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于數(shù)據(jù)處理【技術(shù)領(lǐng)域】，涉及一種基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)次分量提取方法。

【背景技術(shù)】
[0002] 數(shù)據(jù)次分量的提取對(duì)于波束形成、直線/曲面擬合、發(fā)現(xiàn)圖像中的煙、霧、粉塵等 信息具有重要的作用。數(shù)據(jù)的次分量，是數(shù)據(jù)的相關(guān)矩陣的最小特征值所對(duì)應(yīng)的特征向量。 在輸入數(shù)據(jù)的次分量提取過(guò)程中，常用的方法是矩陣方法。它先求取輸入數(shù)據(jù)（通常表示 為列向量形式）的關(guān)聯(lián)矩陣，再求解關(guān)聯(lián)矩陣的一個(gè)特征值問(wèn)題以獲得次分量，這種方法 無(wú)法處理高維的大規(guī)模數(shù)據(jù)，且不能進(jìn)行在線數(shù)據(jù)的次分量提取。例如：如果數(shù)據(jù)是10000 維的列向量，則它的關(guān)聯(lián)矩陣是一個(gè)10000x10000的方陣，處理該關(guān)聯(lián)矩陣需要的存儲(chǔ)空 間和計(jì)算資源都很大。


【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于提供一種基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)次分量提取方法，解決了現(xiàn)有的 方法無(wú)法處理高維的大規(guī)模數(shù)據(jù)，且不能進(jìn)行在線數(shù)據(jù)的次分量提取的問(wèn)題。
[0004] 本發(fā)明所采用的技術(shù)方案是按照以下步驟進(jìn)行：
[0005] 步驟1 :進(jìn)行數(shù)據(jù)的預(yù)處理，例如對(duì)于一張圖像的數(shù)據(jù)，采用圖像矩陣分塊的方 法，將每一個(gè)圖像塊中的灰度值數(shù)據(jù)轉(zhuǎn)換一個(gè)列向量；
[0006] 步驟2 :構(gòu)建次分量分析神經(jīng)網(wǎng)絡(luò)，其輸入輸出關(guān)系為y (k) = w(k)Tx(k);
[0007] 步驟3 :初始化權(quán)值向量和令k值為0 ;
[0008] 步驟4 :從步驟1得到列向量集合中隨機(jī)選取一個(gè)列向量作為神經(jīng)網(wǎng)絡(luò)的輸入向 量；
[0009] 步驟5 :計(jì)算次分量分析神經(jīng)網(wǎng)絡(luò)的輸出；
[0010] 步驟6 :進(jìn)行迭代計(jì)算更新權(quán)值向量值，迭代公式為：
[0011]

【權(quán)利要求】
1. 一種神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)次分量提取方法，其特征在于按照以下步驟進(jìn)行： 步驟1 :進(jìn)行圖像數(shù)據(jù)的預(yù)處理，對(duì)于一張圖像的數(shù)據(jù)，采用圖像矩陣分塊的方法，將 每一個(gè)圖像塊中的灰度值數(shù)據(jù)轉(zhuǎn)換一個(gè)列向量； 步驟2:構(gòu)建次分量分析神經(jīng)網(wǎng)絡(luò)y(k) =w(k)Tx(k); 步驟3 :初始化權(quán)值向量和k值； 步驟4 :在步驟1得到列向量中隨機(jī)選取一個(gè)列向量作為次分量分析神經(jīng)網(wǎng)絡(luò)的輸入 值； 步驟5 :計(jì)算次分量分析神經(jīng)網(wǎng)絡(luò)的輸出； 步驟6 :進(jìn)行迭代計(jì)算更新權(quán)值向量值，迭代公式為：
步驟7 :檢驗(yàn)算法是否已收斂，收斂條件為：w(k+1) _w(k) < e，其中，e為〇. 〇1 ;如果 收斂條件滿足，則認(rèn)為算法已收斂，則輸出提取到的次分量w (k+1)，得到的這個(gè)向量就是該 數(shù)據(jù)集的關(guān)聯(lián)矩陣的最小特征值所對(duì)應(yīng)的特征向量，算法結(jié)束；否則，取k = k+l，迭代步數(shù) 加1，返回執(zhí)行步驟4。
【文檔編號(hào)】G06N3/02GK104063687SQ201410273098
【公開日】2014年9月24日 申請(qǐng)日期:2014年6月18日 優(yōu)先權(quán)日:2014年6月18日
【發(fā)明者】彭德中, 張海仙, 郭際香, 桑永勝, 毛華, 甄亮利 申請(qǐng)人:彭德中