【技术实现步骤摘要】
本申请涉及机器学习领域，特别涉及一种基于最小有向包围盒的神经网络开集识别方法。
技术介绍
1、神经网络是一种强大的机器学习算法，其目的在于模拟人脑神经系统。自20世纪50年代和60年代以来，神经网络得到了广泛应用和发展，并在21世纪取得了巨大进步，成为各种机器学习、人工智能和计算机视觉任务中不可或缺的工具。它已被广泛应用于图像识别、语音识别、自然语言处理、游戏ai等领域。
2、然而，神经网络也存在缺陷和局限性。其中之一就是当训练集中仅包含有限类别时，分类模型无法处理测试集中出现的不属于任何已知类别的数据。这种情况发生的原因在于当前神经网络分类模型通常采用全连接层、softmax激活函数和交叉熵（crossentropy）损失函数，导致输出为表示输入样本属于每个类别置信度概率的概率分布。即使面对未知分类数据，该模型仍会给出一个概率分布而非“不确定”或“不认识”的判断。
3、针对这个问题，目前有以下几种对应的解决方法：
4、1.添加一个其他类别，将未知分类数据归入该类别进行训练和测试。这种方法的缺点是需要额外的数据标注和数据增广，而且可能无法覆盖所有的未知分类数据。
5、2.使用二元交叉熵（binary cross entropy）损失函数，将多分类问题转化为多个二分类问题。这种方法的缺点是可能会降低模型的准确度和效率。
6、3.使用距离度量方法，将每个样本转换为一个高维特征向量，并通过特定的损失函数来优化样本间的距离或相似度。这种方法的缺点是需要额外的样本挖掘、模型结构设
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的一种基于最小有向包围盒的神经网络开集识别方法解决了神经网络训练完成后，将训练集中没有的未知分类数据输入已经训练完成的神经网络时，该网络会强行对未知分类数据进行已知分类而不是将其划分为未知分类的问题。
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于最小有向包围盒的神经网络开集识别方法，其特征在于，包括：
3、s1、收集多类通信数据，并通过短时傅里叶变换将通信数据转化为多类图像数据；
4、s2、将多类图像数据作为训练集，使用训练集训练神经网络，获得训练好的神经网络和训练集中每类图像数据对应的最小有向包围盒；
5、s3、将待分类的通信图像数据输入训练好的神经网络，将训练好的神经网络的输出数据进行降维处理后与该类别对应的最小有向包围盒进行对比，完成神经网络开集识别。
6、进一步地：所述s2包括：
7、s21、将多类图像数据作为训练集，使用训练集训练神经网络，获得训练好的神经网络和每类图像数据对应的高维数据；
8、s22、对每类图像数据对应的高维数据进行pca降维，得到降维后的训练数据；
9、s23、对降维后的训练数据进行obb计算，得到每类图像数据对应的最小有向包围盒。
10、进一步地：所述s22包括：
11、s221、对每类图像数据对应的高维数据进行零均值化，得到零均值化的高维数据；
12、s222、计算零均值化的高维数据的协方差矩阵的特征值与特征向量；
13、s223、根据协方差矩阵的特征值与特征向量，对零均值化的高维数据进行降维，得到降维后的训练数据。
14、进一步地：所述s23包括：
15、s231、计算降维后的训练数据的期望；
16、s232、根据降维后的训练数据的期望，计算降维后的训练数据的协方差矩阵；
17、s233、根据降维后的训练数据的协方差矩阵，计算包围盒的方向基向量；
18、s234、根据包围盒的方向基向量，计算包围盒的中心坐标及半长，得到分每类图像数据对应的最小有向包围盒。
19、进一步地：所述s3包括：
20、s31、将待分类的数据输入训练好的神经网络，获得待分类的数据对应的标签和高维数据；
21、s32、根据神经网络分类的标签，选取标签下零均值化的高维数据的协方差矩阵的特征值与特征向量对待分类的数据对应的高维数据进行降维，得到降维后的待分类数据；
22、s33、将降维后的待分类数据与该类图像数据对应的最小有向包围盒进行对比，完成神经网络开集识别。
23、进一步地：所述s33中，若降维后的待分类数据在该类图像数据对应的最小有向包围盒的范围内，则将降维后的待分类数据识别为已知分类；否则，将降维后的待分类数据识别为未知分类。
24、本专利技术的有益效果为：
25、1.本申请将训练集中没有的未知分类的通信图像数据输入已经训练完成的神经网络时，该网络会将其划分为未知分类，而不是强行对未知分类数据进行已知分类；
26、2.提出了一种结合降维算法和最小有向包围盒算法(obb)的神经网络未知标签分类算法，能更好的表示神经网络输出特征量空间的密度分布，并在此基础上压缩特征量空间表示范围，提高分类未训练样本的准确率。
本文档来自技高网...【技术保护点】
1.一种基于最小有向包围盒的神经网络开集识别方法，其特征在于，包括：
2.根据权利要求1所述的基于最小有向包围盒的神经网络开集识别方法，其特征在于，所述S2包括：
3.根据权利要求2所述的基于最小有向包围盒的神经网络开集识别方法，其特征在于，所述S22包括：
4.根据权利要求3所述的基于最小有向包围盒的神经网络开集识别方法，其特征在于，所述S23包括：
5.根据权利要求1所述的基于最小有向包围盒的神经网络开集识别方法，其特征在于，所述S3包括：
6.根据权利要求5所述的基于最小有向包围盒的神经网络开集识别方法，其特征在于，所述S33中，若降维后的待分类数据在该类图像数据对应的最小有向包围盒的范围内，则将降维后的待分类数据识别为已知分类；否则，将降维后的待分类数据识别为未知分类。
【技术特征摘要】
1.一种基于最小有向包围盒的神经网络开集识别方法，其特征在于，包括：
2.根据权利要求1所述的基于最小有向包围盒的神经网络开集识别方法，其特征在于，所述s2包括：
3.根据权利要求2所述的基于最小有向包围盒的神经网络开集识别方法，其特征在于，所述s22包括：
4.根据权利要求3所述的基于最小有向包围盒的神经网络开集识别方法，其特征在于，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。