CN104063687B - 一种基于神经网络的数据次分量提取方法 - Google Patents

Abstract

本发明公开了一种神经网络的数据次分量提取方法，该方法首先进行数据的预处理，如对于一张图像的数据，采用图像矩阵分块的方法，将每一个图像块中的灰度值数据转换一个列向量；构建次分量分析神经网络；初始化权值向量和k值；在得到列向量中随机选取一个列向量作为次分量分析神经网络的输入值；计算次分量分析神经网络的输出；进行迭代计算更新权值向量值，检验算法是否已收敛，如收敛，得到的这个向量就是该数据集的关联矩阵的最小特征值所对应的特征向量。本发明的有益效果是能克服现有技术存在的缺陷，提取出数据中的弱特征，可用于检测视频中的烟、雾、粉尘等重要信息。

Description

一种基于神经网络的数据次分量提取方法

技术领域

本发明属于数据处理技术领域，涉及一种基于神经网络的数据次分量提取方法。

背景技术

数据次分量的提取对于波束形成、直线/曲面拟合、发现图像中的烟、雾、粉尘等信息具有重要的作用。数据的次分量，是数据的相关矩阵的最小特征值所对应的特征向量。在输入数据的次分量提取过程中，常用的方法是矩阵方法。它先求取输入数据(通常表示为列向量形式)的关联矩阵，再求解关联矩阵的一个特征值问题以获得次分量，这种方法无法处理高维的大规模数据，且不能进行在线数据的次分量提取。例如：如果数据是10000维的列向量，则它的关联矩阵是一个10000x10000的方阵，处理该关联矩阵需要的存储空间和计算资源都很大。

发明内容

本发明的目的在于提供一种基于神经网络的数据次分量提取方法，解决了现有的方法无法处理高维的大规模数据，且不能进行在线数据的次分量提取的问题。

本发明所采用的技术方案是按照以下步骤进行：

步骤1：进行数据的预处理，例如对于一张图像的数据，采用图像矩阵分块的方法，将每一个图像块中的灰度值数据转换一个列向量；

步骤2：构建次分量分析神经网络，其输入输出关系为y(k)＝w(k)^Tx(k)；

步骤3：初始化权值向量和令k值为0；

步骤4：从步骤1得到列向量集合中随机选取一个列向量作为神经网络的输入向量；

步骤5：计算次分量分析神经网络的输出；

步骤6：进行迭代计算更新权值向量值，迭代公式为：

步骤7：检验算法是否已收敛，收敛条件为：

||w(k+1)-w(k)||＜∈，其中，∈为0.01；如果收敛条件满足，

则认为算法已收敛，则权值向量w(k+1)就是该数据集的关联矩阵

的最小特征值所对应的特征向量，即数据集的次分量，算法结束；

否则，取k＝k+1,迭代步数加1，返回执行步骤4。

本发明的有益效果是能克服现有技术存在的缺陷，提取出数据中的次分量，可用于检测视频中的烟、雾、粉尘等重要信息。

附图说明

图1是本发明数据次分量提取流程图；

图2是本发明图像预处理示意图；

图3是本发明次分量分析神经网络示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

如图1所示为本发明方法流程图。本发明公开了一种基于神经网络的数据次分量提取方法，包括数据预处理以及使用次分量分析神经网络方法在线提取数据的次分量。

本发明先对输入的数据进行预处理生成数据矩阵，然后利用次分量分析神经网络算法求解次分量，进而完成对弱特征的提取。

1、图像数据的预处理：

对于一张图像的数据，采用图像矩阵分块的方法，将每一个图像块中的灰度值数据转换一个列向量；

图像预处理过程中，首先将图像分为m×n块。如图2所示，将上面的整幅图像划分成了8*8＝64个小方块，这些小方块从左至右，从上至下进行编号，直线所指的图像块位于整个图像的第5行、第7列，显然地，它的编号应该为：(5-1)*8+7。将一张图像分为8×8块。然后，将每一个图像块中的图像灰度值数据转换为一个列向量。

例如，对于一个图像块，

其中，i＝1，2，...，m×n。将该图像块中的9个数据从上到下，从左到右顺序转换为一个列向量后为x′_i＝[x₁₁，x₂₁，x₃₁，x₁₂，x₂₂，x₃₂，x₁₃，x₂₃，x₃₃]^T。

最后，将由所有图像块的数据转换得到的列向量构成一个数据集合，得到整个图像的数据集合为X＝[x′₁，x′₂，...，x′_m×n]。

2、构建次分量分析神经网络，如图3所示：

构建的网络输入/输出关系为：y(k)＝w(k)^Tx(k)。

3、初始化权值向量w(k)为w(0)＝[w₁(0) w₂(0)...w_m(0)]^T，将其每个元素的值都设定为随机生成的初始值。初始化k＝0。

4、在步骤1得到的列向量数据集合X中随机选取一个数据(即X矩阵中的一个列向量)作为步骤2中神经网络的输入值x(k)＝[x₁(k)，x₂(k)，...，x_m(k)]^T。

5、计算次分量分析神经网络的输出y(k)＝w(k)^Tx(k)，其中，x(k)＝[x₁(k)，x₂(k)，...，x_m(k)]^T，w(k)＝[w₁(k)，w₂(k)，...，w_m(k)]^T。

6、通过如下迭代的学习算法更新权值向量的值。

迭代公式为：

其中，·表示乘法运算。

7、检验算法是否已收敛。收敛条件为：||w(k+1)-w(k)||＜∈，其中，∈为一个给定的很小的数，通常取为0.01。如果上述条件已经满足，则认为算法已收敛，则输出提取到的次分量w(k+1)，算法结束，得到的这个向量就是该数据集的关联矩阵的最小特征值所对应的特征向量。

否则，k＝k+1，迭代步数加1；

返回执行步骤4。

本发明的有益效果：

1、能够在线地对输入的数据进行次分量提取，能同步获得最新的数据的次分量。从公式(1)中可以看出，每次输入一个数据向量x(k)来更新次分量w(k+1)的值。(注：以在线方式获得的数据可以作为神经网络的输入数据x(k)，并通过上述方法进行次分量的提取，不需要完备的数据集。而矩阵方法需要完备的数据集，因而只能处理离线数据)。

2、不用计算和存储数据的相关矩阵，大大降低了计算复杂度和数据存储空间。(注：公式1中只涉及向量和标量的计算，我们的方法可以在不计算数据的关联矩阵的情况下，获得该矩阵的最小特征值所对应的特征向量)。

3、自适应的学习步长，不用设定学习步长，增强了其在实际应用中的可用性。(注：公式1中没有未知参数)。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (1)

1.一种神经网络的数据次分量提取方法，其特征在于按照以下步骤进行：

步骤1：进行图像数据的预处理，对于一张图像的数据，采用图像矩阵分块的方法，将每一个图像块中的灰度值数据转换一个列向量；

步骤2：构建次分量分析神经网络y(k)＝w(k)^Tx(k)；

步骤3：初始化权值向量和k值；

步骤4：在步骤1得到列向量中随机选取一个列向量作为次分量分析神经网络的输入值；

步骤5：计算次分量分析神经网络的输出；

步骤6：进行迭代计算更新权值向量值，迭代公式为：

$w(k+1)=w\left(k\right)-\frac{\left|\right|w\left(0\right)\left|\right|}{\left|\right|w\left(k\right)\left|\right|}\·\[x\left(k\right)-\frac{y\left(k\right)\mathrm{\ω}\left(k\right)}{w^T\left(k\right)w\left(k\right)}\]\·y\left(k\right);$

步骤7：检验算法是否已收敛，收敛条件为：||w(k+1)-w(k)||＜∈，其中，∈为0.01；如果收敛条件满足，则认为算法已收敛，则输出提取到的次分量w(k+1)，得到的这个向量就是该数据集的关联矩阵的最小特征值所对应的特征向量，算法结束；否则，取k＝k+1,迭代步数加1，返回执行步骤4。