买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉安徽大学申请的专利基于深度强化学习与进化算法的图像识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116152572B 。

龙图腾网通过国家知识产权局官网在2025-12-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310255099.9，技术领域涉及：G06V10/764；该发明授权基于深度强化学习与进化算法的图像识别方法是由田野;朱庆辉;张兴义设计研发完成，并于2023-03-13向国家知识产权局提交的专利申请。

本基于深度强化学习与进化算法的图像识别方法在说明书摘要公布了：本发明公开了一种基于深度强化学习与进化算法的图像识别方法，包括：步骤一、收集图像数据并对图像进行标准处理；步骤二、定义优化目标及优化目标函数；步骤三、采用基于深度学习与进化算法对多目标优化函数F进行求解；步骤四、针对模型采用基于深度学习与进化算法的方法进行优化训练；步骤五、采用优化后图像识别模型对图像数据进行分类。本发明能应用于图像识别，通过优化模型结构，从而有效提升图像识别的精度，降低图像分类错误率。

本发明授权基于深度强化学习与进化算法的图像识别方法在权利要求书中公布了：1.一种基于深度强化学习与进化算法的图像识别方法，其特征是按如下步骤进行： 步骤一、收集图像数据并进行标准化处理； 获取T个图像样本及其类别标签，并根据每个图像样本的类别标签，提取每个图像样本对应的属性特征，从而得到图像样本的属性特征集其中，xt表示第t个图像样本的属性特征，yt表示第t个图像样本的真实类别标签，t＝1,2,…,T；T表示图像样本的数量； 步骤二、定义优化目标及优化目标函数： 步骤2.1、构建图像识别网络Model，包括：输入层、隐藏层和输出层；并利用式1构建图像识别网络Model的决策向量C： C＝p1，p2，...，pi，...，pk，a1，a2，...，ai，...，ak，r，z1 式1中，pi为图像识别网络Model中第i层隐藏层的神经元数量，ai为图像识别网络Model中第i层隐藏层选择的激活函数，z为图像识别网络Model的优化器，r为图像识别网络Model的学习率；1≤i≤k；k表示图像识别网络Model中隐藏层的总层数； 步骤2.2、以所述图像识别网络Model对T个图像样本的识别误差率最小为第一优化目标函数f1；以所述图像识别网络中隐藏层的神经元数量最小为第二优化目标函数f2；从而建立多目标优化函数 步骤三、采用基于深度学习与进化算法对多目标优化函数F进行求解； 步骤3.1、定义优化目标的决策向量上界为Upper；定义优化目标的决策向量下界为Lower；定义种群为P，定义种群P的大小为N；定义均匀分布的权重向量为w；定义每个权重向量的邻居索引为B；定义深度神经网络为Q，定义经验回放池为U，定义候选算子集为OP；定义当前代为gen，并初始化gen＝1；定义总代数为G； 步骤3.2、根据上界Upper和下界Lower初始化第gen代种群其中，表示第gen代种群Pgen中第n个个体； 定义第gen代种群Pgen中的每个个体是由决策向量C和多目标优化函数F组成； 步骤3.3、初始化n＝1；随机初始化第gen代种群Pgen中的第n个个体的决策向量 步骤3.4、利用第gen代种群Pgen中第n个个体的决策向量构建第gen代种群Pgen中第t个图像识别网络并将T个图像样本的属性特征输入中进行处理，并得到预测的类别标签集其中，表示在第t个图像样本的属性特征xt上的预测类别标签； 步骤3.5、基于与真实的类别标签集构建的损失函数值并计算的多目标优化函数 步骤3.6、将t+1赋值给t，判断tN是否成立，若成立，则返回步骤3.4顺序执行，否则，表示第gen代种群Pgen中的每个个体完成属性特征的学习，并执行步骤3.7； 步骤3.7、交配池选择： 通过锦标赛算法从第gen代种群Pgen中选出M个个体组成第gen代交配池其中，表示第gen代交配池Parentgen中第m个父代；M是父代数； 步骤3.8、计算第m个父代的权重向量并从的邻居索引中随机选取一个邻居作为第二个父代将的决策向量和权重向量组合为状态将状态输入到深度神经网络Q中，得出第gen代第m个候选算子集中每个算子的概率值，并通过轮盘赌从概率值中选择一个算子op； 步骤3.9、利用算子op对和进行交叉变异，从而产生子代 步骤3.10、从邻居索引中选择一个邻居y，分别计算子代和邻居y的聚合函数值，如果子代的聚合函数值小于邻居y的聚合函数值，则用子代替换邻居y，否则，不替换；从而遍历完邻居索引中的所有邻居，并得到第gen+1代种群Pgen+1； 步骤3.11、定义子代的聚合函数值相对于父代的聚合函数值的提升幅度作为奖励同时将子代的决策向量和权重向量组合为一个状态state2，将，op，state2作为一组训练数据，并放入经验回放池U中； 步骤3.12、从经验回放池T中随机选取若干组训练数据并输入所述深度神经网络Q中进行训练，得到训练后的深度神经网络，并赋值给Q； 步骤3.13、将gen+1赋值给gen，判断genG是否成立，若成立，则返回步骤3.3顺序执行，否则，输出第G代种群PG； 步骤四、对图像样本进行分类； 令表示最终种群PG的第j个个体，初始化j＝1； 步骤4.1、将图像识别方法模型Model的模型参数替换为第j个个体的决策向量从而得到图像识别方法模型Modelj； 步骤4.2、将属性特征输入第j个图像识别模型Modelj中进行处理，得到T个图像识别结果其中y″t表示所述图像识别模型Modelj在第t个图像的样本上的预测类别标签，根据识别结果和所述真实类别标签集构建第j个图像识别模型Modelj的损失函数Lossj； 步骤4.3、利用梯度下降法对第j个图像识别模型Modelj进行训练，并计算损失函数Lossj以更新模型参数，直到Lossj收敛为止，从而得到训练后的第j个图像识别模型Modelj； 步骤4.4、将属性特征输入训练后的第j个图像识别模型Modelj中进行处理，得到更新后的图像识别结果其中，表示训练后的第j个图像识别模型Modelj在第t个图像样本的预测类别标签，根据更新后的图像识别结果与真实标签信息间的损失函数值Loss'j，计算第G代种群PG中的第j个个体的两个优化目标函数值； 步骤4.5、将j+1赋值给j，若jN，则表示第G代种群PG中的所有个体的两个优化目标函数值优化完成，并执行步骤4.6，否则，返回步骤4.1顺序执行； 步骤4.6、在二维坐标系中对第G代种群PG中每个个体优化后的两个优化目标函数值进行拟合，得到拟合曲线，选择拟合曲线的拐点处所对应个体的决策向量，并代入图像识别网络Model中，从而得到最优图像分类模型Modelfinal用于对图像进行识别分类。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。