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！

龙图腾网恭喜天津大学申请的专利一种改进的CNN架构优化设计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：CN118153633B 。

龙图腾网通过国家知识产权局官网在2025-02-18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：202310862332.X，技术领域涉及：G06N3/0464；该发明授权一种改进的CNN架构优化设计方法是由赵鑫;齐佳静;张涛;曹亚慧设计研发完成，并于2023-07-14向国家知识产权局提交的专利申请。

本一种改进的CNN架构优化设计方法在说明书摘要公布了：一种基于一种改进的CNN架构优化设计方法：将卷积神经网络框架设计问题建模为一个有约束的组合优化问题，设计满足目标参数量要求的网络框架。提出了一种可变长编码策略，将卷积层个数、卷积层的输出输出通道数等超参数进行编码来表示卷积神经网络框架，然后采用改进的粒子群算法以CIFAR10和CIFAR100的测试数据集上的分类精度为适应度评估值对最优网络框架进行搜索，得到最优的卷积神经网络框架。本发明提出的基于改进的粒子群算法自动设计卷积神经网络框架的方法具有全自动、效率高等特点，对于经验不足的科研初学者也是非常友好的。

本发明授权一种改进的CNN架构优化设计方法在权利要求书中公布了：1.一种改进的CNN架构优化设计方法，包括如下步骤：1将基于残差连接的卷积神经网络框架自动设计方法建模为一个有约束的组合优化问题，约束为残差块的个数和每个残差块中的输入输出维度；2设计一种新的可变长编码策略ResnetBlockEncoded，RBE将粒子映射为相应的网络架构，得到卷积神经网络框架的数学表示；包括：21定义一个参数为残差块集合的数量；22对于第i个残差块集合RBs，里面包括ki个残差块RB，每个残差块RB中的网络输入维度ini，输出维度为outn；23将残差块进行叠加，即将多个残差块堆叠连接；24第二个残差块集合开始的第一个残差块使用步长为2×2的卷积层来代替池化层，使得经过一个残差块后输入维度减半，使用卷积核为1*1的卷积层代替全连接层输出分类的结果，构成一个卷积神经网络框架3采用改进的PSO算法对卷积神经网络框架进行设计，以在CIFAR10和CIFAR100的测试数据集上的图像分类精度为适应度评估值，以不断提高分类精度为优化目标，通过改进的PSO算法不断迭代优化，得到性能最优的卷积神经网络框架；包括：31设定改进的粒子群算法的初始参数，包括：种群的数量N，残差块集合数量范围[Ncmin,Ncmax]，每个RBs的RB数量范围[Rmin,Rmax]，输入维度范围[Inmin,Inmax]；32种群初始参数进行种群初始化，按照可变长编码策略ResnetBlockEncoded，RBE进行编码，生成一个粒子后，先判断该粒子对应的卷积神经网络的模型参数量是否满足约束范围，如果满足，则该粒子有效，否则重新生成新粒子，直至生成N个满足模型参数量约束范围的粒子，构成粒子种群；33对生成的种群进行适应度评估；a将经典的CIFAR10和CIFAR100数据集分为训练集和测试集，设定训练集的图片为张，测试集的图片为张，为了减少训练时间，在进行适应度评估时，只随机选择全部数据集的来进行训练和测试，即张训练图片和张测试图片；b设定种群粒子数量n，将此粒子按照编码方式反向解码，得到对应的卷积神经网络框架；c利用训练图片训练解码得到的卷积神经网络框架，然后在测试图片上测试，得到测试精度作为适应度评估值；d种群粒子数量n加1，若种群粒子个数小于种群的全部粒子数量N，则转到步骤b，否则，输出种群全部粒子的适应度值；34按照种群的适应度值对整个粒子种群进行降序排序，选择整个种群中的全局最优粒子；35更新粒子的速度和位置更新速度：根据粒子当前的速度、位置和粒子历史最佳位置以及群体历史最佳位置，通过加权求和的方式计算新的速度，其中，粒子历史最佳位置用于引导粒子朝粒子最优解的方向移动，而群体历史最佳位置则用于引导粒子朝全局最优解的方向移动；更新位置：根据新计算得到的速度，更新粒子的位置，迭代次数iter加一；36若迭代次数小于算法最大迭代次数，则转到步骤33，否则，输出全局最优粒子，得到最优的卷积神经网络框架；改进的PSO算法中，使用代理模型对每个粒子进行近似适应度评估来选择出有潜力的粒子，再对代理模型挑选出的粒子进行的精确适应度评估以更新粒子历史最佳位置和群体历史最佳位置，将精确适应度评估的粒子加入数据集来更新代理模型4将最优的卷积神经网络框架再次充分训练。

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天津大学，其通讯地址为：300072 天津市南开区卫津路92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”。