技術(shù)特征：

1.基于免疫理論的卷積神經(jīng)網(wǎng)絡(luò)模型的圖像識(shí)別方法，其特征是，利用基于免疫理論的卷積神經(jīng)網(wǎng)絡(luò)模型完成圖像識(shí)別過程，具體包括如下步驟：

(1)已知圖像預(yù)處理：對(duì)已知圖像進(jìn)行預(yù)處理，獲得多重標(biāo)簽圖像樣本；然后對(duì)多重標(biāo)簽圖像樣本進(jìn)行分類，具體為屬于同一一級(jí)標(biāo)簽類別的多重標(biāo)簽圖像樣本共同組成一多重標(biāo)簽數(shù)據(jù)集，不同的多重標(biāo)簽數(shù)據(jù)集共同組成多重標(biāo)簽數(shù)據(jù)庫(kù)；

(2)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型：依次構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型的輸入層、特征提取層和分類操作層，其中輸入層大小與多重標(biāo)簽數(shù)據(jù)庫(kù)中多重標(biāo)簽圖像樣本大小一致；

(3)構(gòu)建抗體記憶庫(kù)：多重標(biāo)簽數(shù)據(jù)庫(kù)的多重標(biāo)簽數(shù)據(jù)集訓(xùn)練構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型至模型效果最佳時(shí)，停止訓(xùn)練，此時(shí)卷積神經(jīng)網(wǎng)絡(luò)模型卷積層中的卷積核共同組成最優(yōu)卷積核集合，將獲得的最優(yōu)卷積核集合視為抗體，記抗體的類別為一級(jí)標(biāo)簽類別，即多重標(biāo)簽數(shù)據(jù)集的類別，然后將訓(xùn)練得到的不同最優(yōu)卷積核集合共同組成抗體記憶庫(kù)；

(4)對(duì)待識(shí)別圖像進(jìn)行預(yù)處理及抗原檢測(cè)：對(duì)輸入的待識(shí)別圖像進(jìn)行預(yù)處理，然后利用不變?nèi)ピ胱詣?dòng)編碼器作為特征檢測(cè)器提取待識(shí)別圖像的特征，將上述特征記為未知抗原；

(5)未知抗原與抗體之間親和力計(jì)算及抗體選擇：選擇親和力函數(shù)計(jì)算未知抗原與抗體之間的親和力，根據(jù)計(jì)算結(jié)果選擇與所述待識(shí)別圖像最匹配的抗體，即最優(yōu)抗體；

(6)重構(gòu)卷積神經(jīng)網(wǎng)絡(luò)模型：使用最優(yōu)抗體對(duì)卷積神經(jīng)網(wǎng)絡(luò)卷積核的卷積核參數(shù)重新賦值完成模型重構(gòu)，獲得重構(gòu)后的基于免疫理論的卷積神經(jīng)網(wǎng)絡(luò)模型；

(7)輸出待識(shí)別圖像的類別：利用卷積神經(jīng)網(wǎng)絡(luò)模型中的分類器根據(jù)重構(gòu)后的卷積神經(jīng)網(wǎng)絡(luò)特征提取層中提取的特征確定待識(shí)別圖像所屬的二級(jí)標(biāo)簽類別，并輸出識(shí)別結(jié)果，完成圖像識(shí)別過程。

2.根據(jù)權(quán)利要求1所述的基于免疫理論的卷積神經(jīng)網(wǎng)絡(luò)模型的圖像識(shí)別方法，其特征在于，步驟(3)中多重標(biāo)簽數(shù)據(jù)集的一級(jí)標(biāo)簽類別數(shù)為H，則對(duì)應(yīng)抗體記憶庫(kù)中會(huì)有H個(gè)抗體，w_j表示抗體記憶庫(kù)中第j個(gè)抗體，j∈[1,2,3,...,H]；每個(gè)抗體包含N個(gè)卷積核，卷積核大小為m*n*3；其中m為卷積核矩陣的行數(shù)，n為列數(shù)；

步驟(4)中的不變?nèi)ピ胱詣?dòng)編碼器為基于深度學(xué)習(xí)理論中的自編碼算法的不變?nèi)ピ胱詣?dòng)編碼器；所述不變?nèi)ピ胱詣?dòng)編碼器的輸入層及輸出層神經(jīng)元個(gè)數(shù)為I₁，I₁與卷積神經(jīng)網(wǎng)絡(luò)中卷積核的大小相同，即I₁＝m*n*3，隱藏層神經(jīng)元個(gè)數(shù)為N₀，其中N₀≤N；所述不變?nèi)ピ胱詣?dòng)編碼器作為特征檢測(cè)器提取待識(shí)別圖像的特征，獲得與抗體記憶庫(kù)中抗體大小相同的N₀個(gè)特征，將上述特征記為未知抗原w₀；

所述親和力函數(shù)為馬氏距離親和力函數(shù)或灰色關(guān)聯(lián)度親和力函數(shù)；所述最優(yōu)抗體是指與待識(shí)別圖像親和力最大的抗體；

抗體與未知抗原之間的親和力計(jì)算過程如下：

抗體：

未知抗原：

分別為未知抗原中第k₀個(gè)卷積核及抗體記憶庫(kù)中第j抗體的第k_j卷積核，定義二者之間親和力函數(shù)為

基于馬氏距離的親和力函數(shù)：

基于灰色關(guān)聯(lián)度的親和力函數(shù)：

${\mathrm{\ϵ}}_{k_0{k}_j}\left(k\right)=\frac{\min \min |w_0^{k_0}\left(k\right)-w_j^{k_j}\left(k\right)|+\mathrm{\ρ}*maxmax|w_0^{k_0}\left(k\right)-w_j^{k_j}\left(k\right)|}{|w_0^{k_0}\left(k\right)-w_j^{k_j}\left(k\right)|+\mathrm{\ρ}*maxmax|w_0^{k_0}\left(k\right)-w_j^{k_j}\left(k\right)|};$

其中：

ρ為分辨率；

表示未知抗原中的第k₀個(gè)卷積核中的第k個(gè)值；

表示抗體記憶庫(kù)中第j抗體的第k_j卷積核中的第k個(gè)值；

和分別表示的是未知抗原與待計(jì)算親和力的抗體做差之后的最小值與最大值；

步驟(6)中的重構(gòu)是指對(duì)卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行重新賦值，具體為將卷積神經(jīng)網(wǎng)絡(luò)的卷積核參數(shù)替換成最優(yōu)抗體的參數(shù)，獲得基于免疫理論的卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟(7)中的分類器為softmax分類器。

3.根據(jù)權(quán)利要求2所述的基于免疫理論的卷積神經(jīng)網(wǎng)絡(luò)模型的圖像識(shí)別方法，其特征在于，所述已知圖像為通過網(wǎng)絡(luò)爬蟲從指定網(wǎng)站中獲取的已知圖像樣本。

4.根據(jù)權(quán)利要求2所述的基于免疫理論的卷積神經(jīng)網(wǎng)絡(luò)模型的圖像識(shí)別方法，其特征在于，所述模型效果最佳是指多重標(biāo)簽數(shù)據(jù)集訓(xùn)練構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型的模型誤差達(dá)到設(shè)定的收斂誤差或訓(xùn)練時(shí)的迭代次數(shù)達(dá)到上限時(shí)，訓(xùn)練效果最佳。

5.根據(jù)權(quán)利要求2所述的基于免疫理論的卷積神經(jīng)網(wǎng)絡(luò)模型的圖像識(shí)別方法，其特征在于，所述H的取值范圍為[1,20]，其取值為整數(shù)。

6.根據(jù)權(quán)利要求2所述的基于免疫理論的卷積神經(jīng)網(wǎng)絡(luò)模型的圖像識(shí)別方法，其特征在于，所述分辨率ρ的取值范圍為[0,1]。

7.根據(jù)權(quán)利要求2所述的基于免疫理論的卷積神經(jīng)網(wǎng)絡(luò)模型的圖像識(shí)別方法，其特征在于，步驟(1)中的已知圖像預(yù)處理是指對(duì)圖像進(jìn)行大小裁剪及格式轉(zhuǎn)換后進(jìn)行去均值及歸一化操作；然后從對(duì)已知圖像描述語(yǔ)句中析取對(duì)應(yīng)的多重標(biāo)簽，并生成統(tǒng)一標(biāo)簽范式。

8.根據(jù)權(quán)利要求2所述的基于免疫理論的卷積神經(jīng)網(wǎng)絡(luò)模型的圖像識(shí)別方法，其特征在于，步驟(2)卷積神經(jīng)網(wǎng)絡(luò)模型的特征提取層包含一系列卷積層與最大池化層或平均池化層，卷積層中包含激活函數(shù)，所述激活函數(shù)為修正線性單元。

9.根據(jù)權(quán)利要求2所述的基于免疫理論的卷積神經(jīng)網(wǎng)絡(luò)模型的圖像識(shí)別方法，其特征在于，步驟(4)中對(duì)待識(shí)別圖像的預(yù)處理是指先對(duì)待識(shí)別圖像進(jìn)行大小裁剪及格式轉(zhuǎn)換，再進(jìn)行去均值及歸一化操作。