-
公开(公告)号:CN113688571B
公开(公告)日:2023-06-30
申请号:CN202110983334.5
申请日:2021-08-25
Applicant: 哈尔滨工程大学
IPC: G06F30/27 , G06F17/16 , G06F18/22 , G06F18/213 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/08 , G06F113/08
Abstract: 一种基于卷积相似度的水声环境参数分类方法,涉及水声环境参数反演领域。本发明是为了解决目前水声环境参数分类方法无法在保证网络性能的同时降低网络训练时间与网络参数规模,进而导致水声环境参数分类方法不适合低算力、低容量设备的问题。本发明包括:将待分类的水声信息矩阵输入到训练好的水声环境参数分类网络中获得分类好的水声环境参数;训练好的水声环境参数分类网络包括:利用水声信息矩阵训练超网络获取训练好的超网络和每个卷积输出的水声特征矩阵;对特征矩阵进行降维、拼接、利用高斯核卷积操作获得一维特征向量;获取特征矩阵相似度系数;对训练好的超网络裁剪,获取训练好的水声环境参数分类网络。本发明用于水声环境参数分类。
-
公开(公告)号:CN113688571A
公开(公告)日:2021-11-23
申请号:CN202110983334.5
申请日:2021-08-25
Applicant: 哈尔滨工程大学
Abstract: 一种基于卷积相似度的水声环境参数分类方法,涉及水声环境参数反演领域。本发明是为了解决目前水声环境参数分类方法无法在保证网络性能的同时降低网络训练时间与网络参数规模,进而导致水声环境参数分类方法不适合低算力、低容量设备的问题。本发明包括:将待分类的水声信息矩阵输入到训练好的水声环境参数分类网络中获得分类好的水声环境参数;训练好的水声环境参数分类网络包括:利用水声信息矩阵训练超网络获取训练好的超网络和每个卷积输出的水声特征矩阵;对特征矩阵进行降维、拼接、利用高斯核卷积操作获得一维特征向量;获取特征矩阵相似度系数;对训练好的超网络裁剪,获取训练好的水声环境参数分类网络。本发明用于水声环境参数分类。
-
公开(公告)号:CN113554104B
公开(公告)日:2022-09-30
申请号:CN202110856234.6
申请日:2021-07-28
Applicant: 哈尔滨工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/74 , G06N3/04 , G06N3/08
Abstract: 一种基于深度学习模型的图像分类方法,属于图像分类领域。本发明解决了现有针对图像分类的神经网络无法在保证图像分类准确率的同时降低训练时间和模型参数规模的问题。本发明方法包括:建立图像分类模型,对图像分类模型进行冷启动训练;获取图像数据作为训练集,从“V”型相似度曲线中选取一个相似度系数作为相似度阈值,基于该阈值,利用训练集对图像分类模型参数进行训练,获取当前图像分类模型的参数;基于动态阈值和当前图像分类模型的参数,逐步降低该阈值,将训练集输入图像分类模型中,进行图像分类模型训练,获得最优的分类模型,停止图像分类模型训练;将待分类的图像输入最优的图像分类模型,得到图像分类结果。本发明用于图像分类。
-
公开(公告)号:CN113554104A
公开(公告)日:2021-10-26
申请号:CN202110856234.6
申请日:2021-07-28
Applicant: 哈尔滨工程大学
Abstract: 一种基于深度学习模型的图像分类方法,属于图像分类领域。本发明解决了现有针对图像分类的神经网络无法在保证图像分类准确率的同时降低训练时间和模型参数规模的问题。本发明方法包括:建立图像分类模型,对图像分类模型进行冷启动训练;获取图像数据作为训练集,从“V”型相似度曲线中选取一个相似度系数作为相似度阈值,基于该阈值,利用训练集对图像分类模型参数进行训练,获取当前图像分类模型的参数;基于动态阈值和当前图像分类模型的参数,逐步降低该阈值,将训练集输入图像分类模型中,进行图像分类模型训练,获得最优的分类模型,停止图像分类模型训练;将待分类的图像输入最优的图像分类模型,得到图像分类结果。本发明用于图像分类。
-
公开(公告)号:CN111476369A
公开(公告)日:2020-07-31
申请号:CN202010396685.1
申请日:2020-05-11
Applicant: 哈尔滨工程大学
Abstract: 一种神经网络模型的训练方法,解决了基于图像的神经网络模型存在训练时间过长与分类结果随机震荡的问题,属于图像识别的机器学习技术领域。本发明包括:将图像的训练集输入到神经网络模型中进行训练,获取当前神经网络模型的参数,回归模型根据当前神经网络模型参数的数值拟合出下一步的梯度;回归模型的获取方法为:使用神经网络模型在所述训练集的相似图像数据集上进行训练时记录的神经网络模型参数矩阵和梯度矩阵构成先验知识,利用回归模型构建神经网络模型参数和梯度之间的关系;根据拟合出的梯度更新神经网络模型的参数。本发明还可以与梯度下降算法交叉调用的方式,获取下一步梯度,本发明能够有效降低神经网络模型训练时间。
-
-
-
-