一種基于稀疏表示及bp神經(jīng)網(wǎng)絡(luò)技術(shù)的土壤近紅外光譜分析方法
【專利摘要】本發(fā)明涉及一種基于稀疏表示及BP神經(jīng)網(wǎng)絡(luò)技術(shù)的土壤近紅外光譜分析方法，與現(xiàn)有技術(shù)相比解決了土壤分析方法無法滿足實(shí)際需要的缺陷。本發(fā)明包括以下步驟：訓(xùn)練樣本土壤集的獲取和預(yù)處理；構(gòu)造訓(xùn)練樣本土壤數(shù)據(jù)的稀疏字典并獲取訓(xùn)練樣本的特征向量；將訓(xùn)練樣本的特征向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入，訓(xùn)練網(wǎng)絡(luò)參數(shù)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)分類模型；測試樣本土壤集的獲取和預(yù)處理；利用訓(xùn)練樣本土壤數(shù)據(jù)的稀疏字典構(gòu)造測試樣本的特征向量，利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)分類模型完成對測試樣本土壤成分的分類預(yù)測。本發(fā)明基于稀疏表示及BP神經(jīng)網(wǎng)絡(luò)框架來進(jìn)行土壤近紅外光譜分析預(yù)測，提高了近紅外光譜土壤主要成分預(yù)測的精度和模型的魯棒性。
【專利說明】
一種基于稀疏表示及BP神經(jīng)網(wǎng)絡(luò)技術(shù)的土壤近紅外光譜分析 方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及數(shù)據(jù)分析技術(shù)領(lǐng)域，具體來說是一種基于稀疏表示及BP神經(jīng)網(wǎng)絡(luò)技術(shù) 的土壤近紅外光譜分析方法。
【背景技術(shù)】
[0002] 我國傳統(tǒng)農(nóng)業(yè)數(shù)千年來以精耕細(xì)作為核心，農(nóng)田信息的獲取與解析是現(xiàn)代數(shù)字農(nóng) 業(yè)的基礎(chǔ)，而土壤信息又是農(nóng)田信息的最重要組成部分。可見無論是傳統(tǒng)農(nóng)業(yè)還是現(xiàn)代農(nóng) 業(yè)，都非常重視農(nóng)田土壤信息的采集。為了合理施肥，近年來我國政府每年投入百億元左右 資金在全國范圍內(nèi)實(shí)施測土配方施肥項(xiàng)目。
[0003] 該項(xiàng)目以土壤測試和肥料田間試驗(yàn)為基礎(chǔ)，根據(jù)作物需肥規(guī)律、土壤供肥性能和 肥料效應(yīng)，在合理施用有機(jī)肥料的基礎(chǔ)上，提出氮、隣、鉀及中、微量元素等肥料的施用數(shù) 量、施肥時(shí)期和施用方法。實(shí)施測土配方施肥可實(shí)現(xiàn)各種養(yǎng)分平衡供應(yīng)，滿足作物的需要， 達(dá)到提高肥料利用率和減少用量，減少面源污染，減少對地下水的污染，提高作物產(chǎn)量，改 善農(nóng)產(chǎn)品品質(zhì)，節(jié)省勞力，節(jié)支增收的目的。據(jù)有關(guān)方面研究統(tǒng)計(jì)，測土配方施肥項(xiàng)目的實(shí) 施在增加產(chǎn)量、減少環(huán)境破壞、降低成本等方面都獲得了良好的經(jīng)濟(jì)效益。
[0004] 但是目前該項(xiàng)目存在明顯的缺陷：一，樣本量太少，樣本的代表性令人懷疑;二，采 用傳統(tǒng)化學(xué)測試方法獲取土壤信息，費(fèi)時(shí)且費(fèi)力，檢測速度慢，檢測成本較高，也大大限制 了測土配方項(xiàng)目的推廣和測土配方項(xiàng)目的社會(huì)經(jīng)濟(jì)效益。因此，如何能夠快速、實(shí)時(shí)、準(zhǔn)確 獲取與解析農(nóng)田土壤養(yǎng)分信息這個(gè)難題已是數(shù)字農(nóng)業(yè)研究中首先要解決的問題。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中土壤分析方法無法滿足實(shí)際需要的缺陷，提 供一種基于稀疏表示及BP神經(jīng)網(wǎng)絡(luò)技術(shù)的土壤近紅外光譜分析方法來解決上述問題。
[0006] 為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：
[0007] -種基于稀疏表示及BP神經(jīng)網(wǎng)絡(luò)技術(shù)的土壤近紅外光譜分析方法，包括以下步 驟：
[0008] 訓(xùn)練樣本土壤集的獲取和預(yù)處理;使用光譜儀采集不同訓(xùn)練土壤樣本集的光譜數(shù) 據(jù)，對其進(jìn)行預(yù)處理，形成訓(xùn)練樣本土壤集的光譜特征矩陣；
[0009]構(gòu)造訓(xùn)練樣本土壤數(shù)據(jù)的稀疏字典并獲取訓(xùn)練樣本的特征向量；
[0010]將訓(xùn)練樣本的特征向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入，訓(xùn)練網(wǎng)絡(luò)參數(shù)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò) 分類模型；
[0011]測試樣本土壤集的獲取和預(yù)處理;使用光譜儀采集測試土壤樣本的光譜數(shù)據(jù)，對 測試樣本土壤掃描40次取平均值;對測試樣本土壤采用與訓(xùn)練樣本相同的光譜數(shù)據(jù)預(yù)處理 方法，得到測試土壤樣本的光譜數(shù)據(jù)；
[0012]利用訓(xùn)練樣本土壤數(shù)據(jù)的稀疏字典構(gòu)造測試樣本的特征向量，利用訓(xùn)練好的BP神 經(jīng)網(wǎng)絡(luò)分類模型完成對測試樣本土壤成分的分類預(yù)測。
[0013] 所述的訓(xùn)練樣本土壤集的獲取和預(yù)處理包括以下步驟：
[0014] 使用光譜儀采集不同訓(xùn)練土壤樣本集的光譜數(shù)據(jù)，對各訓(xùn)練樣本土壤分別掃描40 次取平均值；
[0015] 對光譜數(shù)據(jù)進(jìn)行平滑處理；
[0016] 對光譜數(shù)據(jù)進(jìn)行多元散射校正處理；
[0017] 對光譜數(shù)據(jù)進(jìn)行歸一化處理，構(gòu)成訓(xùn)練樣本集的光譜特征矩陣。
[0018] 所述的構(gòu)造訓(xùn)練樣本土壤數(shù)據(jù)的稀疏字典包括以下步驟：
[0019] 采用K均值奇異值分解算法利用訓(xùn)練樣本土壤數(shù)據(jù)訓(xùn)練出適應(yīng)其稀疏分解的稀疏 字典 DzEcUdydk];
[0020] 設(shè)Y為光譜數(shù)據(jù)矩陣，其每一列代表一個(gè)光譜樣本，共計(jì)N個(gè)樣本，利用K-SVD算法 在已知Y的前提下使目標(biāo)函數(shù)最?。?br>[0022]稀疏分解過程使用0ΜΡ算法將每個(gè)樣本光譜按下式逐一求解其稀疏表示系數(shù)，
[0024]字典更新過程每次只更新字典中的一個(gè)原子，其他原子及對應(yīng)稀疏表示系數(shù)固 定，此時(shí)目標(biāo)函數(shù)的懲罰項(xiàng)變成下式所示：
[0027] 定義叫=!/| 1 r丨(/) # 〇;為所有光譜樣本{yi}在稀疏分解時(shí)用到原子dk的索 引群，定義Qk為NX I C0k|矩陣，在（C0k(i)，i)處值為1，其他都為〇;
[0028] 定義4 =卓\，拉=Γ/-Ω*，每=#Ωα-，三者分別為4，Γ/，茍去零收縮后結(jié) 果，進(jìn)一步轉(zhuǎn)化為：
[0029] ||￡；Ω,-^Ω,||^|Ι^-^4Ι!2
[0030] 將馬進(jìn)行奇異值分解，則鴰=￡M:rF，取u的第一列作為新的原子d ' k，取v的第一 列和A (1，1)乘積作為新的系數(shù)矢量;^ ;
[0031] 不斷重復(fù)稀疏分解和字典更新兩個(gè)步驟，直到滿足迭代次數(shù)或稀疏表示誤差達(dá)到 停止條件。
[0032] 所述的構(gòu)建BP神經(jīng)網(wǎng)絡(luò)分類模型包括以下步驟：
[0033] 根據(jù)訓(xùn)練樣本土壤數(shù)據(jù)的稀疏字典及訓(xùn)練樣本集數(shù)據(jù)獲取樣本的稀疏表示特征； [0034]確定BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層及輸出層節(jié)點(diǎn)的數(shù)目；
[0035 ]激活函數(shù)采用S i gmo i d函數(shù)，初始化網(wǎng)絡(luò)權(quán)重參數(shù)；
[0036]根據(jù)輸入特征不斷修正網(wǎng)絡(luò)參數(shù)，直至達(dá)到結(jié)束條件，獲得分類模型。
[0037]有益效果
[0038]本發(fā)明的一種基于稀疏表示及BP神經(jīng)網(wǎng)絡(luò)技術(shù)的土壤近紅外光譜分析方法，與現(xiàn) 有技術(shù)相比基于稀疏表示及BP神經(jīng)網(wǎng)絡(luò)框架來進(jìn)行土壤近紅外光譜分析預(yù)測，提高了近紅 外光譜土壤主要成分預(yù)測的精度和模型的魯棒性。
【附圖說明】
[0039]圖1為本發(fā)明的順序流程圖。
【具體實(shí)施方式】
[0040] 為使對本發(fā)明的結(jié)構(gòu)特征及所達(dá)成的功效有更進(jìn)一步的了解與認(rèn)識(shí)，用以較佳的 實(shí)施例及附圖配合詳細(xì)的說明，說明如下：
[0041] 如圖1所示，本發(fā)明所述的一種基于稀疏表示及BP神經(jīng)網(wǎng)絡(luò)技術(shù)的土壤近紅外光 譜分析方法，包括以下步驟：
[0042]第一步，訓(xùn)練樣本土壤集的獲取和預(yù)處理。使用光譜儀采集不同訓(xùn)練土壤樣本集 的光譜數(shù)據(jù)，對其進(jìn)行預(yù)處理，形成訓(xùn)練樣本土壤集的光譜特征矩陣。其具體包括以下步 驟：
[0043] (1)使用光譜儀采集不同訓(xùn)練土壤樣本集的光譜數(shù)據(jù)，對各訓(xùn)練樣本土壤分別掃 描40次取平均值。可以采用ASD公司的FieldSpec Pro FR光譜儀獲取不同訓(xùn)練土壤樣本集 的光譜數(shù)據(jù)，波長范圍350~2500nm，采樣間隔2nm，為了避免在測量過程中由于自然光造成 的影響，整個(gè)光譜檢測是在密封的暗室內(nèi)進(jìn)行的，對各訓(xùn)練樣本土壤分別掃描40次取平均 值。
[0044] (2)對光譜數(shù)據(jù)進(jìn)行平滑處理。分析土壤反射光譜發(fā)現(xiàn)，光譜曲線并不是光滑的， 這說明光譜數(shù)據(jù)帶有噪聲，引起的原因有樣品不均勻，暗電流和外界環(huán)境引影響等，因而需 對光譜數(shù)據(jù)進(jìn)行平滑處理。數(shù)據(jù)平滑的基本思路是在平滑點(diǎn)的前后各取若干點(diǎn)來進(jìn)行"平 均"或"擬合"以求得平滑點(diǎn)的最佳估計(jì)值。移動(dòng)平均(Moving average)是一種經(jīng)典的平滑 方法，替換每個(gè)相鄰的觀測對象(包括其本身)作為一個(gè)平均值，觀測的數(shù)量大小是用戶選 擇的"段大小"為參數(shù)。
[0045] (3)對光譜數(shù)據(jù)進(jìn)行多元散射校正處理。多元散射校正(Multiplicative Scatter C〇rrecti〇n，MSC)提供了一種減弱由光在不均勾性樣本表面散射引起較大光譜變化差異的 特殊光譜變換方法。MSC是一種常用的光譜數(shù)據(jù)變換方法，用于補(bǔ)償光譜數(shù)據(jù)的分散效果， 減少基線漂移情況的發(fā)生。在多元散射校正對話框中選擇樣本和變量集矩陣大小以確定校 正的數(shù)據(jù)范圍領(lǐng)域。
[0046]多元散射校正方法目的是為了補(bǔ)償或者消除光譜數(shù)據(jù)的分散效果，校正光譜基線 漂移，校正過程如下：
[0047] A、平均光譜
[0049]其中j為波長位置，η為樣本數(shù)；
[0050] Β、線性回歸
[0051] At - a, A+b, , / - 1,2,·，"；
[0052] C、MSC 校正
[0054] 式中，A是校正集的光譜矩陣，:^是第j個(gè)波長處的光譜平均值，A為第i個(gè)樣本散 射校正后得到的光譜ddPh是第i個(gè)光譜A,與平均光譜j的線性問歸參數(shù)。光譜矩陣A應(yīng)該 為原始光譜反射率或透射率經(jīng)過l〇g(I/R)或Kubelka-Munk變換后得到的光譜數(shù)據(jù)。
[0055] (4)對光譜數(shù)據(jù)進(jìn)行歸一化處理，構(gòu)成訓(xùn)練樣本集的光譜特征矩陣。標(biāo)準(zhǔn)正態(tài)變量 (Standard Normal Variate，SNV)是一種面向行的數(shù)學(xué)轉(zhuǎn)換函數(shù)，在原始光譜數(shù)據(jù)基礎(chǔ)上 被變換的新值根據(jù)以下公式計(jì)算：
[0056] 新值（New value)=(現(xiàn)值（Old value)-均值(mean value))/標(biāo)準(zhǔn)方差（STDEV)。 由于土壤顆粒大小不一，投射到土壤表面的光發(fā)生散射，引起光譜誤差，SNV可以消除因土 壤顆粒大小引起的光程變化和校正土壤基線漂移。
[0057]經(jīng)過上述預(yù)處理最終構(gòu)成訓(xùn)練樣本土壤集的光譜特征矩陣。
[0058]第二步，構(gòu)造訓(xùn)練樣本土壤數(shù)據(jù)的稀疏字典并獲取訓(xùn)練樣本的特征向量，構(gòu)造出 訓(xùn)練樣本土壤數(shù)據(jù)的稀疏字典后，輸入訓(xùn)練樣本土壤集的光譜特征矩陣即可獲得訓(xùn)練樣本 的特征向量。在此構(gòu)造訓(xùn)練樣本土壤數(shù)據(jù)的稀疏字典采用以下步驟進(jìn)行：
[0059] (1)采用K均值奇異值分解算法利用訓(xùn)練樣本土壤數(shù)據(jù)訓(xùn)練出適應(yīng)其稀疏分解的 稀疏字典DztcUdydk];
[0060] 設(shè)Y為光譜數(shù)據(jù)矩陣，其每一列代表一個(gè)光譜樣本，共計(jì)N個(gè)樣本，利用K-SVD算法 在已知Y的前提下使目標(biāo)函數(shù)最?。?br>[0062]在此K-SVD算法的每一次訓(xùn)練過程包括稀疏分解和字典更新兩個(gè)過程。
[0063] (2)稀疏分解過程使用0ΜΡ算法將每個(gè)樣本光譜按下式逐一求解其稀疏表示系數(shù)，
[0065] (3)字典更新過程每次只更新字典中的一個(gè)原子，其他原子及對應(yīng)稀疏表示系數(shù) 固定，此時(shí)目標(biāo)函數(shù)的懲罰項(xiàng)變成下式所示：
[0068] (4)定義砷=丨/丨丨^~^::⑴:^丨為所有光譜樣本丨…丨在稀疏分解時(shí)用到原子也 的索引群，定義Q k為NX | cok|矩陣，在（cok(i)，i)處值為1，其他都為〇。
[0069] 定義，三者分別為4，療，苺去零收縮后結(jié) 果，進(jìn)一步轉(zhuǎn)化為：
[0070] ιιλω,-^ω,ΙΙΗΙ^-^λΙΙζ
[0071 ]將蹲進(jìn)行奇異值分解，則每=，取1]的第一列作為新的原子(1'1{，?。さ牡谝?列和Δ (1，1)乘積作為新的系數(shù)矢量；4。
[0072] (5)不斷重復(fù)稀疏分解和字典更新兩個(gè)步驟，直到滿足迭代次數(shù)或稀疏表示誤差 達(dá)到停止條件。
[0073]第三步，將訓(xùn)練樣本的特征向量作為ΒΡ神經(jīng)網(wǎng)絡(luò)的輸入，訓(xùn)練網(wǎng)絡(luò)參數(shù)，構(gòu)建ΒΡ神 經(jīng)網(wǎng)絡(luò)分類模型。其中，構(gòu)建ΒΡ神經(jīng)網(wǎng)絡(luò)分類模型包括以下步驟：
[0074] (1)根據(jù)訓(xùn)練樣本土壤數(shù)據(jù)的稀疏字典及訓(xùn)練樣本集數(shù)據(jù)獲取樣本的稀疏表示特 征。
[0075] (2)確定ΒΡ神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層及輸出層節(jié)點(diǎn)的數(shù)目。
[0076] (3)激活函數(shù)采用Sigmoid函數(shù)，初始化網(wǎng)絡(luò)權(quán)重參數(shù)。
[0077] (4)根據(jù)輸入特征不斷修正網(wǎng)絡(luò)參數(shù)，直至達(dá)到結(jié)束條件，獲得分類模型。
[0078]第四步，測試樣本土壤集的獲取和預(yù)處理。前步驟中已通過訓(xùn)練樣本對相關(guān)參數(shù)、 環(huán)境進(jìn)行分類、分析和學(xué)習(xí)，使用光譜儀采集測試土壤樣本的光譜數(shù)據(jù)，對測試樣本土壤掃 描40次取平均值。對測試樣本土壤采用與訓(xùn)練樣本相同的光譜數(shù)據(jù)預(yù)處理方法，得到測試 土壤樣本的光譜數(shù)據(jù)。
[0079] 第五步，利用訓(xùn)練樣本土壤數(shù)據(jù)的稀疏字典構(gòu)造測試樣本的特征向量，利用訓(xùn)練 好的BP神經(jīng)網(wǎng)絡(luò)分類模型完成對測試樣本土壤成分的分類預(yù)測。
[0080] 以上顯示和描述了本發(fā)明的基本原理、主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù) 人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說明書中描述的只是本發(fā)明 的原理，在不脫離本發(fā)明精神和范圍的前提下本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變化和 改進(jìn)都落入要求保護(hù)的本發(fā)明的范圍內(nèi)。本發(fā)明要求的保護(hù)范圍由所附的權(quán)利要求書及其 等同物界定。
【主權(quán)項(xiàng)】
1. 一種基于稀疏表示及BP神經(jīng)網(wǎng)絡(luò)技術(shù)的±壤近紅外光譜分析方法，其特征在于，包 括W下步驟： 11) 訓(xùn)練樣本±壤集的獲取和預(yù)處理;使用光譜儀采集不同訓(xùn)練±壤樣本集的光譜數(shù) 據(jù)，對其進(jìn)行預(yù)處理，形成訓(xùn)練樣本±壤集的光譜特征矩陣； 12) 構(gòu)造訓(xùn)練樣本±壤數(shù)據(jù)的稀疏字典并獲取訓(xùn)練樣本的特征向量； 13) 將訓(xùn)練樣本的特征向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入，訓(xùn)練網(wǎng)絡(luò)參數(shù)，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)分 類模型； 14) 測試樣本±壤集的獲取和預(yù)處理;使用光譜儀采集測試±壤樣本的光譜數(shù)據(jù)，對測 試樣本±壤掃描40次取平均值;對測試樣本±壤采用與訓(xùn)練樣本相同的光譜數(shù)據(jù)預(yù)處理方 法，得到測試±壤樣本的光譜數(shù)據(jù)； 15) 利用訓(xùn)練樣本±壤數(shù)據(jù)的稀疏字典構(gòu)造測試樣本的特征向量，利用訓(xùn)練好的BP神 經(jīng)網(wǎng)絡(luò)分類模型完成對測試樣本±壤成分的分類預(yù)測。2. 根據(jù)權(quán)利要求1所述的一種基于稀疏表示及BP神經(jīng)網(wǎng)絡(luò)技術(shù)的±壤近紅外光譜分析 方法，其特征在于，所述的訓(xùn)練樣本±壤集的獲取和預(yù)處理包括W下步驟： 21) 使用光譜儀采集不同訓(xùn)練±壤樣本集的光譜數(shù)據(jù)，對各訓(xùn)練樣本±壤分別掃描40 次取平均值； 22) 對光譜數(shù)據(jù)進(jìn)行平滑處理； 23) 對光譜數(shù)據(jù)進(jìn)行多元散射校正處理； 24) 對光譜數(shù)據(jù)進(jìn)行歸一化處理，構(gòu)成訓(xùn)練樣本集的光譜特征矩陣。3. 根據(jù)權(quán)利要求1所述的一種基于稀疏表示及BP神經(jīng)網(wǎng)絡(luò)技術(shù)的±壤近紅外光譜分析 方法，其特征在于，所述的構(gòu)造訓(xùn)練樣本±壤數(shù)據(jù)的稀疏字典包括W下步驟： 31) 采用K均值奇異值分解算法利用訓(xùn)練樣本±壤數(shù)據(jù)訓(xùn)練出適應(yīng)其稀疏分解的稀疏 字典 D=[did2-，dk]; 設(shè)Y為光譜數(shù)據(jù)矩陣，其每一列代表一個(gè)光譜樣本，共計(jì)N個(gè)樣本，利用K-SVD算法在已 知Y的前提下使目標(biāo)函數(shù)最小：32) 稀疏分解過程使用OMP算法將每個(gè)樣本光譜按下式逐一求解其稀疏表示系數(shù)，33) 字典更新過程每次只更新字典中的一個(gè)原子，其他原子及對應(yīng)稀疏表示系數(shù)固定， 此時(shí)目標(biāo)函數(shù)的懲罰項(xiàng)變成下式所示：其4表示去掉第k個(gè)原子dk后系數(shù)表示的誤差； 34) 定義巧=.!/!1.;/'<,^，^(/)*0!.為所有光譜樣本^1}在稀疏分解時(shí)用到原子(11^的索 引群，定義Ω功NX I c〇k|矩陣，在（c〇k(i)，i)處值為1，其他都為0; 定_^,Ξ者分別為4，璋，時(shí)去零收縮后結(jié)果， 進(jìn)一步轉(zhuǎn)化為：將五!進(jìn)行奇異值分解，則巧=1/Δ戶，取U的第一列作為新的原子d'k，取V的第一列和Δ (1，1)乘積作為新的系數(shù)矢量4 ; 35)不斷重復(fù)稀疏分解和字典更新兩個(gè)步驟，直到滿足迭代次數(shù)或稀疏表示誤差達(dá)到 停止條件。4.根據(jù)權(quán)利要求1所述的一種基于稀疏表示及BP神經(jīng)網(wǎng)絡(luò)技術(shù)的±壤近紅外光譜分析 方法，其特征在于，所述的構(gòu)建BP神經(jīng)網(wǎng)絡(luò)分類模型包括W下步驟： 41) 根據(jù)訓(xùn)練樣本±壤數(shù)據(jù)的稀疏字典及訓(xùn)練樣本集數(shù)據(jù)獲取樣本的稀疏表示特征； 42) 確定BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層及輸出層節(jié)點(diǎn)的數(shù)目； 43) 激活函數(shù)采用Sigmoid函數(shù)，初始化網(wǎng)絡(luò)權(quán)重參數(shù)； 44) 根據(jù)輸入特征不斷修正網(wǎng)絡(luò)參數(shù)，直至達(dá)到結(jié)束條件，獲得分類模型。
【文檔編號(hào)】G06K9/62GK106096656SQ201610416843
【公開日】2016年11月9日
【申請日】2016年6月7日 公開號(hào)201610416843.9, CN 106096656 A, CN 106096656A, CN 201610416843, CN-A-106096656, CN106096656 A, CN106096656A, CN201610416843, CN201610416843.9
【發(fā)明人】王儒敬, 陳紅波, 謝成軍, 張潔, 李 瑞, 陳天嬌, 宋良圖, 汪玉冰
【申請人】中國科學(xué)院合肥物質(zhì)科學(xué)研究院