专利汇可以提供一种基于无监督SDAE网络的输电线路背景目标分类系统专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于无监督SDAE网络的输电线路背景目标分类系统,包括无人机视频信息采集模 块 、神经网络预训练模块、显著性目标检测模块、背景目标分类与标定模块。输电线路背景目标分类过程为无人机视频采集模块利用无人机搭载视频采集设备获取输电线路背景区域图像信息,神经网络预处理模块对图像进行DBN网络训练,获取显著性检测初始参数,显著性目标检测模块利用SDAE网络获取重构图,与原图匹配获取显著性目标标定图,背景目标分类与标定模块将多尺度 特征向量 输入DBN网络中训练快速分类目标物。本发明提出的输电线路背景目标分类系统,可以准确地对输电线路背景目标进行分类,分析结果稳定、客观。,下面是一种基于无监督SDAE网络的输电线路背景目标分类系统专利的具体信息内容。
1.一种基于无监督SDAE网络的输电线路背景目标分类系统,其特征在于:包括以下程序模块:
神经网络预训练模块:对录入的预先处理后的输电线路布线区域环境信息原始图像进行网络训练,构建RBM网络对输电线路布线区域环境信息原始图像进行逐层训练;
由多层RBM网络嵌套形成DBN网络,将训练好的DBN网络参数传递至SDAE网络,作为SDAE网络初始化参数;
显著性检测模块:利用互信息约束的SDAE网络模型对神经网络预训练模块输出的图像进行显著性检测,将原始图像与SDAE网络重构图像的差作为显著图,对所述显著图进行二值化处理,得到显著性目标检测图像Tx;
背景目标分类与标定模块:SDAE网络训练产生的显著性目标检测图像均为小目标图像,将二值化处理后的显著性目标检测图像Tx与输电线路布线区域环境信息原始图像Tz进行图像匹配,获得背景区域小目标标定图。
2.根据权利要求1所述的一种基于无监督SDAE网络的输电线路背景目标分类系统,其特征在于:在神经网络预训练模块中,在训练RBM网络的过程中,将从单个图像随机提取的p1个图像块作为输入数据,图像块的尺寸为a*b*c像素,分成R1批次正向训练RBM网络R2次;
在网络反向传播过程中,将RBM网络训练过程中所有重构的编码数据分成R3批次反向训练RBM网络R4次。
3.根据权利要求1所述的一种基于无监督SDAE网络的输电线路背景目标分类系统,其特征在于:在神经网络预训练模块中,首先随机选取均值为0、标准差为0.1的高斯分布中的数值初始化网络节点参数,假设训练样本X的取值为X=(v1,v2,...,vm),根据RBM网络,得到所述训练样本的m维的编码后的样本Y=(h1,h2,...,hn);n维的编码认为是抽取了n个特征的样本,m维的编码后的样本按照以下规则生成:
1)对于给定的训练样本X=(v1,v2,...,vm),隐藏层的第i个元素的取值为1的概率为:
其中,σ(x)=1/(1+e-x) (2)
其中,v为可视训练样本集合X,cj是隐藏节点的偏移量,设定节点元素取值hi={0,1},将节点元素值hi看作为编码后的样本Y,wij为连接权重,竖线代表条件概率,σ(x)为中间函数;
2)设bi是可视节点的偏移量,则反向重构可视单元中第i个元素的取值为1的概率为:
3)根据以下规则对RBM网络中的连接权重wij、隐藏节点的偏移量cj、可视节点的偏移量bi进行更新:
vi'是一个样本,Δwij,Δci,Δbi分别是的变化连接权重wij、隐藏节点的偏移量cj、可视节点的偏移量bi的变化量,hi'为当前训练样本中节点元素值;与节点元素值hi对应,取值也为{0,1}。
4.根据权利要求1所述的一种基于无监督SDAE网络的输电线路背景目标分类系统,在显著性检测模块中,SDAE网络训练与显著性检测的处理过程如下:
1)将DBN网络参数传递至SDAE网络作为网络初始化参数;
2)从原始图像随机提取若干个图像块,图像块的尺寸为a*b*c像素,将提取的所有图像块作为原始图像数据分批次输入至SDAE网络模型;
3)训练SDAE网络,调整编码层与解码层的连接系数与节点偏移量;
4)计算原始图像与网络重构之间的互信息,并将所述互信息作为网络收敛代价,利用小批量梯度下降法的反馈信息调整SDAE网络参数;
5)重复步骤1)-步骤4),当网络收敛代价最小时,完成网络训练,并对原始图像进行SDAE网络稀疏重构;
6)将预先处理的图像序列Tz中的原始图像与SDAE网络重构图像序列之间的差作为显著图,再运用自适应阈值分割方法对显著图进行二值化处理,得到显著性目标检测图像Tx。
5.根据权利要求1所述的一种基于无监督SDAE网络的输电线路背景目标分类系统,在显著性检测模块中,设SDAE网络在编码部分具有L层,则第k层的激活函数为:
fe(.)为网络激励函数,y(0)为输入的原始图像块数据,y(L)为编码器末层的输出,并且y(L)作为原始图像块数据的高维特征数据,W为连接系数,为输入数据,p为编码层隐藏节点偏移量,在解码器训练过程中,将SDAE网络中上一层的输出作为下一层的输入,则第k层的激活函数如式(6)所示,其中z(0)为解码器第一层输入的数据,即y(L),解码器末层输出的数据z(L)是重构的原始图像数据,q为解码层隐藏节点偏移量,
fd(a)为中间函数,在SDAE网络训练过程中,将显著性区域作为需处理的噪声区域,将原始图像作为原始数据,网络重构图像作为观察数据,将原始输入图像与网络重构输出图像的互信息作为网络收敛代价进行网络参数调整。
6.根据权利要求5所述的一种基于无监督SDAE网络的输电线路背景目标分类系统,在显著性检测模块中,原始图像S和网络重构图像K的互信息定义为:
其中p(s,k)是原始图像S和网络重构图像K的联合概率分布函数,而p(s)和p(k)分别是原始图像S和网络重构图像K的边缘概率分布函数,s与k分别表示属于原始图像S与K中的像素点。
7.根据权利要求1所述的一种基于无监督SDAE网络的输电线路背景目标分类系统,在背景目标分类与标定模块中,工作过程为:
1)将预先从原始图像中获取的常见目标物体图像添加标注作为训练集,提取出目标物体图像的hog特征,并加入R、G、B值形成多尺度特征向量,将所述多尺度特征向量输入到设计好的N层DBN网络中进行初始状态的预训练,根据预训练结果调整网络参数,直到网络收敛;
2)网络训练初始化完成后,对显著性目标检测图像中标定的目标进行与步骤1)相同的操作,即同样输入到DBN网络中进行分类,分类给出多个显著性小目标所属不同标注类别的概率,对于每个显著性小目标,保留置信度最大的标签作为目标的判别与分类结果。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种测定材料标距效应曲线的试验与计算方法 | 2021-02-21 | 0 |
数据核对方法、装置、系统、计算机设备和存储介质 | 2021-08-18 | 1 |
一种基于Spark的路网交通运行分析方法 | 2022-07-16 | 2 |
一种基于深度学习的纳米结构设计方法 | 2020-08-01 | 1 |
分布式无线传感器网络数据漂移盲校准方法 | 2020-09-08 | 0 |
一种基于无人机的物联网系统数据收集方法 | 2021-03-12 | 0 |
一种基于抽取的商业智能分析平台自动分区方法及装置 | 2020-09-05 | 1 |
融合分布式电源与柔性负荷的配电网检修负荷转供方法 | 2022-02-03 | 1 |
一种商品评论数据的口碑分析方法和装置 | 2023-01-28 | 0 |
车载双路应急发电装置 | 2021-09-17 | 2 |
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。