一种基于神经网络深度学习的图像识别并推荐认知的方法
专利汇可以提供一种基于神经网络深度学习的图像识别并推荐认知的方法专利检索，专利查询，专利分析的服务。并且本 发明 提出了一种基于神经网络 深度学习 的 图像识别 并推荐认知的方法，从图像 数据库 中获取图片及分类，输入到 卷积神经网络 ，通过反复的前向和反向传播，训练该神经网络，提高图像识别 精度 ，提取廿层神经网络模型。利用该模型，通过静态采集图片进行 物体识别 分类。识别结果，结合输入者的个性化特征，分析输入者的兴趣概率。运用所构建的基于有效识别分类的素材 云 数据库的 机器学习 模型，采用推荐系统 算法 ，把预测的内容素材推送给图像输入者供认知学习。本发明具有图像识别率高，识别种类多，内容推荐准确的优点，能应用于带有数码摄相机的电脑、手机、平板和 嵌入式系统 的 电子 产品中，让人们对眼中所见的物体进行拍摄识别，主动学习识别物体的知识。，下面是一种基于神经网络深度学习的图像识别并推荐认知的方法专利的具体信息内容。
1.一种基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，包括以下步骤：（ⅰ）廿层神经网络模型训练提取：使用多类别图像数据库中的带分类标签图像输入到廿层卷积神经网络，进行监督学习，获取逐层的代表性特征，并于第二十层输出层取得预测结果和全局损失函数值（下称前向传播）；通过softmax回归收敛分类计算损失函数关于权重和偏置参数的偏导数，并对参数进行梯度下降（下称反向传播）；用微调后的新参数进行新一轮的前向传播计算，来回不停地进行前向传播和反向传播，来训练更新参数使损失函数越来越小，使预测越来越精准，达到提高图像识别精度的效果；直到找到全局损失函数的最小值，根据整个训练集的监督学习所得的训练精度，而提取合适的廿层神经网络模型；
（ⅱ）输入无标签图像到廿层神经网络模型进行深度学习聚类，提取图像代表性特征，分类图片，输出图像识别分类结果；（ⅲ）图像识别的分类输出结果，结合对图像输入者个性化特征，如位置、时间、拍摄习惯、年龄、性别等事前采集的数据库，采用决策树算法进行分析并得出图像输入者的兴趣概率；（ⅳ）调取自建的百科知识、教育题材、教学课程、问答试题、动漫、游戏、影音等素材的云数据库，根据图像识别分类结果和兴趣概率，采用基于素材云数据库内容的机器学习模型协同过滤进行计算预测的推荐系统算法，计算得出预测结果推送给图像输入者，以使该图像输入者对图像相关知识进行认知学习，具体是：针对所提取的廿层神经网络模型可有效识别的物体分类，建立相关分类物体知识的内容素材云数据库；机器学习模型利用不同图像输入者录入的相近图像、分类模型产生的兴趣概率、内容标签等特征参数通过协同过滤规则，筛选云数据库的内容素材，把相近特征的内容做初步选择；将上述的地理位置、时间、图像类别、年龄段、内容标签等个性化特征进行向量化，利用 LSTM 的长短期记忆效应搭建分布式模型；并加入图像输入者的年龄、知识内容偏好参数及偏置参数来进行推荐的去噪音编码处理；模型不断进行在线学习以及增量学习，不断优化提高推荐系统的效果及推荐效率；依据推荐系统算法计算得出的预测结果，将图像输入者可能有兴趣的知识素材推送关联链接，让图像输入者从关联链接中选择相关素材进行学习。
2.根据权利要求1所述的基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，所述的廿层神经网络模型训练提取，包括：建构的廿层卷积神经网络包括输入层、十九层隐藏层、输出层，输入层图像数据输入，在十九层隐藏层经过自上而下的监督学习，图像经过卷积、池化、边缘填充、激活等处理提取图像特征，最后进行收敛分类并输出结果；
隐藏层中每一层的输出，均通过逻辑回归下的梯度下降求解最优值，对每一层的参数进行微调，提高特征提取精度。
3.根据权利要求1所述的基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，所述的输入图像为静态采集图片。
4.根据权利要求1所述的基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，所述的兴趣概率分析为通过构建兴趣分析的浅层神经网络模型实现。
5.根据权利要求1所述的基于神经网络深度学习的图像识别并推荐认知的方法，其特征在于，所述的推荐系统的机器学习模型为经过去噪音编码处理的神经网络模型。
6.根据权利要求3所述的输入图像为静态采集图片，其特征在于，所述的静态采集图片的种类包括：动物、植物、文体用品、生活日用品、蔬果、食品、货币、五金工具、数码家电、家居用品、汽车品牌、手势、交通标志、世界名画、乐器、国旗、知名旅游景点、数字、字母、儿童玩具、卡通人物、著名商标或标志；并且，前述种类会因廿层卷积神经网络模型对图像数据库训练集的分类增加所进行的增量学习而得到扩充。
一种基于神经网络深度学习的图像识别并推荐认知的方法
技术领域
背景技术
发明内容
使用多类别图像数据库中的带分类标签图像输入到廿层卷积神经网络，进行监督学习，获取逐层的代表性特征，并于第二十层输出层取得预测结果和全局损失函数值（下称前向传播）；
通过softmax回归收敛分类计算损失函数关于权重和偏置参数的偏导数，并对参数进行梯度下降（下称反向传播）；
用微调后的新参数进行新一轮的前向传播计算，来回不停地进行前向传播和反向传播，来训练更新参数使损失函数越来越小，使预测越来越精准，达到提高图像识别精度的效果；
直到找到全局损失函数的最小值，根据整个训练集的监督学习所得的训练精度，而提取合适的廿层神经网络模型。
隐藏层中每一层的输出，均通过逻辑回归下的梯度下降求解最优值，对每一层的参数进行微调，提高特征提取精度。
具体实施方式
使用多类别图像数据库中的带分类标签图像输入到廿层卷积神经网络，进行监督学习，获取逐层的代表性特征，并于第二十层输出层取得预测结果和全局损失函数值（下称前向传播）；
多类别的图像均包括待识别的对象，例如，可以是动物、植物、文体用品、生活日用品、货币、数码家电、交通标志、世界名画、乐器、国旗、知名旅游景点等。同一个分类表示同一个对象，如，可以是同一个动物物种或数码家电品种，如此类推；
如图2所示，建构的廿层卷积神经网络包括输入层、十九层隐藏层、输出层。输入层图像数据输入，在十九层隐藏层经过自上而下的监督学习，图像经过卷积、池化、边缘填充、激活等处理提取图像特征，最后进行收敛分类并输出结果；
隐藏层中每一层的输出，均通过逻辑回归下的梯度下降求解最优值，对每一层的参数进行微调，提高特征提取精度；
整个多类别图像数据库训练集的损失函数公式为：
通过softmax回归收敛分类计算损失函数关于权重和偏置参数的偏导数，并对参数进行梯度下降（下称反向传播）；
Softmax回归下的梯度下降法求解最优值，反向传播公式为：
参数包括权重、偏置阀值和学习率。通过反向传播计算的优化，能大大降低运算复杂度，对偏置阀值参数不敏感。在一个较优的多GPU实施实例中，学习率可以设定默认为0.06；
用微调后的新参数进行新一轮的前向传播计算，来回不停地进行前向传播和反向传播，来训练更新参数使损失函数越来越小，使预测越来越精准，达到提高图像识别精度的效果；
直到找到全局损失函数的最小值，根据整个训练集的监督学习所得的训练精度，而提取合适的廿层神经网络模型；
只要训练集，即多类别图像数据库的样本容量足够大，理论上对所述的廿层卷积神经网络的训练可以一直不断地持续下去。通过训练集对多层卷积神经网络的训练，根据预测结果来确定训练精度，当训练精度达到预设精度，训练就可以不再继续。此时的廿层卷积神经网络就是所要提取的目标多层神经网络模型。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 汽车爆胎安全稳定控制系统 | 2020-12-10 | 1 |
| 移动终端应用程序消息通知图标设置方法和装置 | 2021-03-15 | 0 |
| 一种工业视觉检测系统 | 2021-04-14 | 2 |
| 一种基于大数据的智能工厂制造管理系统 | 2022-12-15 | 1 |
| 一种基于Fe3O4纳米探针的EGFR免疫组化检测试剂盒及其使用方法 | 2023-02-07 | 1 |
| 特征化无线信号移动消息传送方法和系统 | 2021-06-20 | 0 |
| 一种桥梁养护病害记录、识别及处理措施指导方法及系统 | 2022-07-13 | 2 |
| 一种用于自拍杆的连接装置 | 2020-06-18 | 0 |
| 生物組織の癒着の予防 | 2023-06-11 | 2 |
| 一种自适应手机屏幕分辨率的通用潜水防护壳 | 2020-06-29 | 0 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
