一种基于神经网络的信息分析方法及模型技术

本发明专利技术公开了一种基于神经网络的信息分析方法及模型，包括以下步骤：S01：对图片进行划分及候选区提取；S02：运用卷积神经网络针对提取的图片候选区进行识别分类；S03：使用循环神经网络将文本与分类后的候选区信息进行匹配；S04：生成对图片的文字描述。本发明专利技术的实质性效果包括：适用范围广，检测角度和方式完善，能够输出直观文字以表达图片信息，加快对图片信息的获取，提高检测准确度。

A method and model of information analysis based on Neural Network

【技术实现步骤摘要】
一种基于神经网络的信息分析方法及模型
本专利技术涉及计算机视觉
，特别涉及一种基于神经网络的信息分析方法及模型。
技术介绍
随着互联网的快速发展，人们接收到的信息也呈指数化增长，信息接收方式和种类也呈现多样化趋势，其中最为直接的就是图片信息，但存在一定的弊端性，网络中存在形形色色的图片信息，其中的不良信息会给人们带来负面影响，这些东西的传播会对我们造成影响。所以检测这些图片的信息内容就显得尤为重要了。授权公告号CN103020651B的专利技术公开了一种微博图片敏感信息检测方法，包括：建立敏感词库、字体库和颜色库，接收N张待检测微博图片，创建敏感信息列表，遍历检测微博图片是否含敏感信息，根据当前微博图片大小和敏感词库、字体库和颜色库生成对应于该微博图片的敏感信息图片库，并遍历与该微博图片进行匹配，根据微博图片上遍历位置的图像块与敏感信息图片的匹配度中的最大值判定是否存在敏感信息，并将匹配信息存入敏感信息列表中。现有技术主要对图片的文字信息进行检测，而对图片本身所传达的信息不能进行有效分析，对于图片中图像内容的检测无能为力，因此存在漏检的可能。
技术实现思路
针对现有技术不能对图片中图像信息进行分析检测的问题，本专利技术提供了一种基于神经网络的信息分析方法及模型，采用深度学习的方式对大量图片进行学习处理，能够有效的提取到图片中的信息，再采用文字对此进行对比或描述，这样就能够及时了解图片是否对包含不良因素。以下是本专利技术的技术方案。一种基于神经网络的信息分析方法，包括以下步骤：S01：对图片进行划分及候选区提取；S02：运用卷积神经网络针对提取的图片候选区进行识别分类；S03：使用循环神经网络将文本与分类后的候选区信息进行匹配；S04：生成对图片的文字描述。作为优选，所述步骤S01的具体过程包括：采用RPN网络对图片进行划分，对图片上想要提取的部分标注信息框，并且返回评分，通过返回的评分值和预设的阈值进行比较判定，大于等于阈值的即为符合要求的目标候选区。作为优选，所述步骤S02的具体过程包括：在卷积神经网络的每个节点前增加权重及权重偏置系数，输入层所输入的候选区信息通过对应权重及权重偏置系数后传导至隐藏层，隐藏层再通过对应权重及权重偏置系数后输出。为卷积神经网络添加了权重和权重偏置系数，权重和权重偏置系数可以使我们清楚的了解哪些情况更严重，这样分类出来的目标可以明显的区分出哪些目标是更加不利于我们的，使得分类更加有成效。作为优选，所述步骤S03的具体过程包括：使用循环神经网络的长短时记忆网络对文本及候选区信息进行训练，并用于执行文本与候选区信息的匹配。传统的循环神经网络采用了梯度下降的算法，此网络是按照时间展开的，也就是说当隐藏层过于长时，每当一个神经元往后对下一个神经元作用输出时，都会有一定的时间差，这样会对之前的输出联系不紧密而导致训练的内容所淡忘，为了解决这一问题，引用长短时记忆网络，它的作用是可以使训练过程中较早的数据不被遗忘。作为优选，所述步骤S04的具体过程包括：通过RCNN网络对图片中的非候选区部分进行提取，并再次执行步骤S03，然后集合候选区及非候选区的信息及文本，生成文字描述。运用循环神经网络将多组图片中不同的区域以及其对应的文字进行最终的学习训练，并输出以候选区信息加非候选区信息的形式来描述这张图片所包含的内容。作为优选，所述卷积神经网络输出计算公式为：y＝σ(∑wixi+b)其中y表示整个网络的输出，σ代表激活函数，wi表示神经元间计算的权重，xi表示神经元，b表示权重偏置系数。在整个卷积神经网络中，采用前向和反向的传播算法。每一个输入节点都对应第一层隐藏层中的一个节点，进而达到层层连接，每个节点前都加入了一个权重，这样能有效的增加我们所关注的部分的比重，再在每一层前添加权重偏置系数，使得最终得到的目标分类更为准确。本技术方案还包括由上述方法构成的一种基于神经网络的信息分析模型。本专利技术的实质性效果包括：适用范围广，检测角度和方式完善，能够输出直观文字以表达图片信息，加快对图片信息的获取，提高检测准确度。具体实施方式以下结合具体实施例对本技术方案作进一步阐述。实施例：一种基于神经网络的信息分析方法及模型，包括以下步骤：S01：对图片进行划分及候选区提取；步骤S01的具体过程包括：采用RPN网络对图片进行划分，对图片上想要提取的部分标注信息框，并且返回评分，通过返回的评分值和预设的阈值进行比较判定，大于等于阈值的即为符合要求的目标候选区。S02：运用卷积神经网络针对提取的图片候选区进行识别分类；步骤S02的具体过程包括：在卷积神经网络的每个节点前增加权重及权重偏置系数，输入层所输入的候选区信息通过对应权重及权重偏置系数后传导至隐藏层，隐藏层再通过对应权重及权重偏置系数后输出。为卷积神经网络添加了权重和权重偏置系数，权重和权重偏置系数可以使我们清楚的了解哪些情况更严重，这样分类出来的目标可以明显的区分出哪些目标是更加不利于我们的，使得分类更加有成效。所述卷积神经网络输出计算公式为：y＝σ(∑wixi+b)其中y表示整个网络的输出，σ代表激活函数，wi表示神经元间计算的权重，xi表示神经元，b表示权重偏置系数。在整个卷积神经网络中，采用前向和反向的传播算法。每一个输入节点都对应第一层隐藏层中的一个节点，进而达到层层连接，每个节点前都加入了一个权重，这样能有效的增加我们所关注的部分的比重，再在每一层前添加权重偏置系数，使得最终得到的目标分类更为准确。例如，用x1,···,xn表示网络的输入层，用h1,···,hn表示网络的隐藏层，用y表示最终的输出结果，其中每层最后+1神经元表示偏置神经元，在算法计算中用b表示偏置量。为方便计算，我们只计算输入层的前几个神经元，由w表示从输入层到隐藏层的权值，并且用h1，h2，h3分别表示每一层之间的输出，则对于隐藏层h1可以得到它对应的输出为：在上式中，每个h系数代表每层到下一层的输出，即上式中左边的输出，w代表神经元间计算输出的权值系数，在这里我们定义表示第二层第一个神经元和上一层第一个神经元之间的权值系数，同样的，则表示第二层第一个神经元和上一层第二个神经元之间的权值系数，x代表输入层中的对应的输入神经元，b代表每一层的神经元对应的偏置量，最后，根据矩阵运算的原则计算权值系数与输入之间的关系，即得到最终的层级输出公式。依次计算，可以得到神经网络中每个层级神经元的输出表示公式如下：上面两个式子中的参数与前者无异，公式构建过程中省略了其他隐藏层，只分析讨论了每层前三个神经元的参数传递过程，由上述神经元传递公式可以导出最后一层输出层y的表达公式为：将上述公式进行扩展化处理，由简单的神经网络结构向复杂的多层神经网络结构扩展，设第L-1层有i个神经元，第L层有j个神经元，那么对L层上的每一层可以得到其输出表达式为：S03：使用循环神经网络将文本与分类后的候选区信息进行匹配；步骤S03的具体过程包括：使用循环神经网络的长短时记忆网络对文本及候选区信息进行训练，并用于执行文本与候选区信息的匹配。传统的循环神经网络采用了梯度下降的算法，此网络是按照时间展开的，也就是说当隐藏层过于长时，每当一个神经元往后对下一个神经元作用输出时，都会有一定的时间差，这样会对之前的输出联本文档来自技高网...

【技术保护点】
1.一种基于神经网络的信息分析方法，其特征在于，包括以下步骤：S01：对图片进行划分及候选区提取；S02：运用卷积神经网络针对提取的图片候选区进行识别分类；S03：使用循环神经网络将文本与分类后的候选区信息进行匹配；S04：生成对图片的文字描述。

【技术特征摘要】
1.一种基于神经网络的信息分析方法，其特征在于，包括以下步骤：S01：对图片进行划分及候选区提取；S02：运用卷积神经网络针对提取的图片候选区进行识别分类；S03：使用循环神经网络将文本与分类后的候选区信息进行匹配；S04：生成对图片的文字描述。2.根据权利要求1所述的一种基于神经网络的信息分析方法，其特征在于，所述步骤S01的具体过程包括：采用RPN网络对图片进行划分，对图片上想要提取的部分标注信息框，并且返回评分，通过返回的评分值和预设的阈值进行比较判定，大于等于阈值的即为符合要求的目标候选区。3.根据权利要求1或2所述的一种基于神经网络的信息分析方法，其特征在于，所述步骤S02的具体过程包括：在卷积神经网络的每个节点前增加权重及权重偏置系数，输入层所输入的候选区信息通过对应权重及权重偏置系数后传导至隐藏层，隐藏层再通过对应权重及权重...

【专利技术属性】
技术研发人员：王越胜，丁靓靓，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33