【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于自動化機(jī)器學(xué)習(xí)，具體涉及一種基于種群相似度引導(dǎo)的地下城市管道圖像分類方法。
技術(shù)介紹
1、深度學(xué)習(xí)已經(jīng)在圖像分類、目標(biāo)檢測和自然語言處理等各種計算機(jī)視覺領(lǐng)域取得了巨大的成功，其中深度卷積神經(jīng)網(wǎng)絡(luò)成為其主要的模型之一。迄今為止，已經(jīng)出現(xiàn)了許多手工設(shè)計的深度卷積神經(jīng)網(wǎng)絡(luò)，在許多公共數(shù)據(jù)集上展現(xiàn)了優(yōu)秀的性能。然而，地下城市管道用于市政城市服務(wù)，其種類與各種類的用途存在錯綜復(fù)雜的關(guān)系，因此地下城市管道圖像分類模型的構(gòu)建需要專家不斷的設(shè)計網(wǎng)絡(luò)架構(gòu)并且需要從頭訓(xùn)練網(wǎng)絡(luò)架構(gòu)直至收斂，此過程需要大量的人力資源和硬件資源，因此提供神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索算法，克服這些挑戰(zhàn)；
2、神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索算法能夠在給定的特定任務(wù)上自動搜索適當(dāng)?shù)木W(wǎng)絡(luò)架構(gòu)，現(xiàn)有的神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索算法為基于種群的優(yōu)化算法，根據(jù)生物演化過程中的優(yōu)勝劣汰機(jī)制和遺傳規(guī)律求解優(yōu)化問題，因具備全局的搜索能力而被廣泛適用于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索當(dāng)中；
3、但是基于遺傳算法的神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，在搜索過程中沒有學(xué)習(xí)種群潛在的經(jīng)驗知識來指導(dǎo)種群的進(jìn)化，這會導(dǎo)致前期種群在搜索空間上的探索度較低，會使得種群盲目性的進(jìn)化脫離實際運用；同時算法不具備提高對局部優(yōu)解的搜索能力，增加計算機(jī)運行負(fù)載，因此現(xiàn)有的神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法所獲得的結(jié)果不具備嚴(yán)謹(jǐn)?shù)闹笇?dǎo)性，不能運用于地下城市管道的分類。
技術(shù)實現(xiàn)思路
1、專利技術(shù)目的：為了克服現(xiàn)有技術(shù)中的不足，本專利技術(shù)提供一種基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，通過本專利技術(shù)的方法使
2、技術(shù)方案：第一方面本專利技術(shù)提供一種基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，包括：
3、獲取地下城市管道圖像數(shù)據(jù)集，對地下城市管道圖像數(shù)據(jù)集進(jìn)行預(yù)處理獲得地下城市管道訓(xùn)練數(shù)據(jù)集和地下城市管道驗證數(shù)據(jù)集；
4、將地下城市管道訓(xùn)練數(shù)據(jù)集導(dǎo)入基于神經(jīng)網(wǎng)絡(luò)的個體網(wǎng)絡(luò)搜索空間進(jìn)行訓(xùn)練，獲得種群中的各個個體權(quán)重，并基于地下城市管道驗證數(shù)據(jù)集對種群中的各個個體權(quán)重進(jìn)行預(yù)測，獲得各個個體在地下城市管道驗證數(shù)據(jù)集上的預(yù)測分布向量和各個個體的適應(yīng)度；
5、根據(jù)個體在地下城市管道驗證數(shù)據(jù)集上的預(yù)測分布向量，計算種群中各個個體之間的宏觀網(wǎng)絡(luò)相似度；通過基于神經(jīng)網(wǎng)絡(luò)的個體網(wǎng)絡(luò)搜索空間，獲得種群中相鄰個體在地下城市管道驗證數(shù)據(jù)集上之間的微觀單元相似度；以及對各個個體的適應(yīng)度進(jìn)行排序，選擇部分適應(yīng)度高于其它的個體；
6、根據(jù)宏觀網(wǎng)絡(luò)相似度和微觀單元相似度，生成種群相似矩陣；
7、部分適應(yīng)度高于其它的個體代入種群相似矩陣計算相似度，獲得部分適應(yīng)度高于其它個體所對應(yīng)的相似度最高個體，用于作為第一類父集；以及采用二元錦標(biāo)賽算法對部分適應(yīng)度高于其它的個體進(jìn)行隨機(jī)選擇，獲得第二類父集，其中，第一類父集和第二類父集的個體數(shù)量總和等同于種群中個體的數(shù)量；
8、第一類父集和第二類父集分別通過單點交叉算子進(jìn)行個體的交叉概率計算，獲得第一類父集和第二類父集所對應(yīng)的第一類子集和第二類子集；
9、根據(jù)個體適應(yīng)度對第一類父集和第二類父集以及第一類子集和第二類子集進(jìn)行迭代的重置判斷，確定最終父集和子集；并合并最終父集和子集；
10、根據(jù)合并的最終父集和子集，確定適應(yīng)度最高個體并輸出最高個體，作為地下城市管道圖像分類的最優(yōu)神經(jīng)網(wǎng)絡(luò)架構(gòu)。
11、在進(jìn)一步的實施例中，獲取地下城市管道圖像數(shù)據(jù)集，對地下城市管道圖像數(shù)據(jù)集進(jìn)行預(yù)處理獲得地下城市管道訓(xùn)練數(shù)據(jù)集和地下城市管道驗證數(shù)據(jù)集的方法包括：
12、對地下城市管道圖像數(shù)據(jù)集進(jìn)行翻轉(zhuǎn)、裁剪操作，獲得裁剪、翻轉(zhuǎn)后的地下城市管道圖像數(shù)據(jù)集；
13、對裁剪、翻轉(zhuǎn)后的地下城市管道圖像數(shù)據(jù)集按照9:1的數(shù)量關(guān)系進(jìn)行劃分，獲得訓(xùn)練數(shù)據(jù)集和驗證數(shù)據(jù)集。
14、在進(jìn)一步的實施例中，所述基于神經(jīng)網(wǎng)絡(luò)的個體網(wǎng)絡(luò)搜索空間采用基于種群的遺傳算法搜索策略構(gòu)建而成，其中，基于神經(jīng)網(wǎng)絡(luò)的個體網(wǎng)絡(luò)搜索空間預(yù)設(shè)有遺傳代數(shù)數(shù)量，用于指定子集和父集的迭代次數(shù)；以及對搜索空間中神經(jīng)網(wǎng)絡(luò)節(jié)點的連接和操作進(jìn)行二進(jìn)制編碼和實數(shù)編碼，獲得個體網(wǎng)絡(luò)搜索空間中各個個體的編碼結(jié)果。
15、在進(jìn)一步的實施例中，個體網(wǎng)絡(luò)搜索空間中各個個體的編碼結(jié)果的獲取過程包括：
16、對搜索空間中神經(jīng)網(wǎng)絡(luò)節(jié)點的連接進(jìn)行二進(jìn)制編碼，獲得神經(jīng)網(wǎng)絡(luò)節(jié)點之間的邊；
17、對搜索空間中神經(jīng)網(wǎng)絡(luò)節(jié)點的操作進(jìn)行實數(shù)編碼，獲得搜索空間中神經(jīng)網(wǎng)絡(luò)節(jié)點的順序排列；
18、按照每個神經(jīng)網(wǎng)絡(luò)節(jié)點的順序排列進(jìn)行連接和操作編碼，獲得基于單元神經(jīng)網(wǎng)絡(luò)架構(gòu)的各個個體的編碼結(jié)果。
19、在進(jìn)一步的實施例中，將地下城市管道訓(xùn)練數(shù)據(jù)集導(dǎo)入基于神經(jīng)網(wǎng)絡(luò)的個體網(wǎng)絡(luò)搜索空間進(jìn)行訓(xùn)練，獲得種群中的各個個體權(quán)重的方法包括：
20、將訓(xùn)練數(shù)據(jù)集輸入基于神經(jīng)網(wǎng)絡(luò)的個體網(wǎng)絡(luò)搜索空間進(jìn)行訓(xùn)練，獲得分類誤差；
21、將分類誤差導(dǎo)入到交叉熵?fù)p失函數(shù)計算獲得損失值；
22、使用損失值進(jìn)行反向傳播計算出梯度；
23、根據(jù)梯度，獲得個體權(quán)重；并根據(jù)個體權(quán)重更新個體網(wǎng)絡(luò)搜索空間；
24、其中，初始化個體網(wǎng)絡(luò)搜索空間訓(xùn)練迭代次數(shù)為25，學(xué)習(xí)率初始值為0.1，使用余弦退火策略進(jìn)行學(xué)習(xí)率衰減，使用sgd優(yōu)化算法作為個體網(wǎng)絡(luò)算法優(yōu)化器；
25、在個體網(wǎng)絡(luò)更新過程中，若發(fā)現(xiàn)個體網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)達(dá)到上限或損失值收斂止預(yù)設(shè)范圍內(nèi)穩(wěn)定時，則停止訓(xùn)練個體網(wǎng)絡(luò)，用于驗證集的預(yù)測；否則繼續(xù)訓(xùn)練個體網(wǎng)絡(luò)；
26、交叉熵?fù)p失函數(shù)的計算公式為：
27、
28、式中，class表示目標(biāo)數(shù)據(jù)集的類別數(shù)量，i表示導(dǎo)入訓(xùn)練數(shù)據(jù)集的類別序號，p(xi)表示訓(xùn)練數(shù)據(jù)集的第i類的真實分布，q(xi)表示個體網(wǎng)絡(luò)預(yù)測第i類的分布，p(xi)logq(xi)表示第i類的損失值，表示目標(biāo)數(shù)據(jù)集上所有類別的損失值。
29、在進(jìn)一步的實施例中，基于地下城市管道驗證數(shù)據(jù)集對種群中的各個個體權(quán)重進(jìn)行預(yù)測，獲得各個個體在地下城市管道驗證數(shù)據(jù)集上的預(yù)測分布向量和各個個體的適應(yīng)度的方法包括：
30、根據(jù)停止訓(xùn)練的個體網(wǎng)絡(luò)搜索空間，確定種群中的各個個體權(quán)重；
31、根據(jù)驗證數(shù)據(jù)集分別對種群中的各個個體權(quán)重進(jìn)行計算，獲得各個個體權(quán)重在驗證數(shù)據(jù)集上的預(yù)測分布向量，其中，通過驗證數(shù)據(jù)集上各個類別分別對各個個體權(quán)重進(jìn)行類別權(quán)重向量的驗證計算本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點】
1.一種基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，其特征在于，獲取地下城市管道圖像數(shù)據(jù)集，對地下城市管道圖像數(shù)據(jù)集進(jìn)行預(yù)處理獲得地下城市管道訓(xùn)練數(shù)據(jù)集和地下城市管道驗證數(shù)據(jù)集的方法包括：
3.根據(jù)權(quán)利要求1所述的基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，其特征在于，所述基于神經(jīng)網(wǎng)絡(luò)的個體網(wǎng)絡(luò)搜索空間采用基于種群的遺傳算法搜索策略構(gòu)建而成，其中，基于神經(jīng)網(wǎng)絡(luò)的個體網(wǎng)絡(luò)搜索空間預(yù)設(shè)有遺傳代數(shù)數(shù)量，用于指定子集和父集的迭代次數(shù)；以及對搜索空間中神經(jīng)網(wǎng)絡(luò)節(jié)點的連接和操作進(jìn)行二進(jìn)制編碼和實數(shù)編碼，獲得個體網(wǎng)絡(luò)搜索空間中各個個體的編碼結(jié)果。
4.根據(jù)權(quán)利要求3所述的基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，其特征在于，個體網(wǎng)絡(luò)搜索空間中各個個體的編碼結(jié)果的獲取過程包括：
5.根據(jù)權(quán)利要求1所述的基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，其特征在于，將地下城市管道訓(xùn)練數(shù)據(jù)集導(dǎo)入基于神經(jīng)網(wǎng)絡(luò)的個體網(wǎng)絡(luò)搜索空間進(jìn)行訓(xùn)練，獲得種群中的各個個體權(quán)重的
6.根據(jù)權(quán)利要求1所述的基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，其特征在于，基于地下城市管道驗證數(shù)據(jù)集對種群中的各個個體權(quán)重進(jìn)行預(yù)測，獲得各個個體在地下城市管道驗證數(shù)據(jù)集上的預(yù)測分布向量和各個個體的適應(yīng)度的方法包括：
7.根據(jù)權(quán)利要求1所述的基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，其特征在于，根據(jù)個體在地下城市管道驗證數(shù)據(jù)集上的預(yù)測分布向量，計算種群中各個個體之間的宏觀網(wǎng)絡(luò)相似度的方法包括：
8.根據(jù)權(quán)利要求1所述的基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，其特征在于，通過基于神經(jīng)網(wǎng)絡(luò)的個體網(wǎng)絡(luò)搜索空間，獲得種群中相鄰個體在地下城市管道驗證數(shù)據(jù)集上之間的微觀單元相似度的方法包括：
9.根據(jù)權(quán)利要求1所述的基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，其特征在于，根據(jù)宏觀網(wǎng)絡(luò)相似度和微觀單元相似度，生成種群相似矩陣的方法包括：
10.根據(jù)權(quán)利要求1所述的基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，其特征在于，根據(jù)個體適應(yīng)度對第一類父集和第二類父集以及第一類子集和第二類子集進(jìn)行迭代的重置判斷，確定最終父集和子集的方法包括：
...【技術(shù)特征摘要】
1.一種基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，其特征在于，獲取地下城市管道圖像數(shù)據(jù)集，對地下城市管道圖像數(shù)據(jù)集進(jìn)行預(yù)處理獲得地下城市管道訓(xùn)練數(shù)據(jù)集和地下城市管道驗證數(shù)據(jù)集的方法包括：
3.根據(jù)權(quán)利要求1所述的基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，其特征在于，所述基于神經(jīng)網(wǎng)絡(luò)的個體網(wǎng)絡(luò)搜索空間采用基于種群的遺傳算法搜索策略構(gòu)建而成，其中，基于神經(jīng)網(wǎng)絡(luò)的個體網(wǎng)絡(luò)搜索空間預(yù)設(shè)有遺傳代數(shù)數(shù)量，用于指定子集和父集的迭代次數(shù)；以及對搜索空間中神經(jīng)網(wǎng)絡(luò)節(jié)點的連接和操作進(jìn)行二進(jìn)制編碼和實數(shù)編碼，獲得個體網(wǎng)絡(luò)搜索空間中各個個體的編碼結(jié)果。
4.根據(jù)權(quán)利要求3所述的基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，其特征在于，個體網(wǎng)絡(luò)搜索空間中各個個體的編碼結(jié)果的獲取過程包括：
5.根據(jù)權(quán)利要求1所述的基于種群相似度引導(dǎo)的地下城市管道圖像分類方法，其特征在于，將地下城市管道訓(xùn)練數(shù)據(jù)集導(dǎo)入基于神經(jīng)網(wǎng)絡(luò)的個體網(wǎng)絡(luò)搜索空間進(jìn)行訓(xùn)練，獲得種群中的各個個體權(quán)重的方法包括：
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：查加杰，薛羽，
申請(專利權(quán))人：南京信息工程大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。