申请/专利权人:江苏科技大学
申请日:2024-01-23
公开(公告)日:2024-04-26
公开(公告)号:CN117935288A
主分类号:G06V30/19
分类号:G06V30/19;G06V10/82;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.14#实质审查的生效;2024.04.26#公开
摘要:本发明公开了一种用于数字识别的神经网络权值初始化和训练方法,包括:根据数字图像数据集划分训练集和测试集;计算信息熵增益;将计算得到的信息熵增益进行归一化处理;根据归一化后的信息熵增益初始化神经网络的权重;添加自定义学习率回调函数,在训练周期中,通过计算学习率的比例逐步增加学习率取值,在全部迭代次数终止后,选择并保存在模型准确率最高状态下的学习率取值与神经网络模型权重参数;将训练好的模型作为数字图像识别模型,通过数字图像识别模型实现数字图像识别。本发明将特征选择和信息增益技术与深度学习模型相结合,以解决数字图像识别问题并改进数字图像识别模型性能,提高了数字图像识别的准确率和识别速度。
主权项:1.一种用于数字识别的神经网络权值初始化和训练方法,其特征在于,包括如下步骤:S1:根据数字图像数据集划分训练集和测试集;S2:将训练集导入到深度神经网络中进行训练,计算信息熵增益;S3:将计算得到的信息熵增益进行归一化处理;S4:根据归一化后的信息熵增益初始化神经网络的权重;S5:添加自定义学习率回调函数,在训练周期中,通过计算学习率的比例逐步增加学习率取值,在全部迭代次数终止后,选择并保存在模型准确率最高状态下的学习率取值与神经网络模型权重参数;S6:将步骤S5训练好的模型作为数字图像识别模型,通过数字图像识别模型实现数字图像识别。
全文数据:
权利要求:
百度查询: 江苏科技大学 一种用于数字识别的神经网络权值初始化和训练方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。