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！

龙图腾网恭喜韶关学院申请的专利基于Im2col的并行深度卷积神经网络优化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：CN114819136B 。

龙图腾网通过国家知识产权局官网在2025-06-13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：202210279825.6，技术领域涉及：G06N3/084；该发明授权基于Im2col的并行深度卷积神经网络优化方法是由毛伊敏;戴经国;龚克;陈志刚;霍英设计研发完成，并于2022-03-21向国家知识产权局提交的专利申请。

本基于Im2col的并行深度卷积神经网络优化方法在说明书摘要公布了：本发明提出了一种基于Im2col的并行深度卷积神经网络优化方法，包括以下步骤：S1，特征并行提取：提取数据中的目标特征作为卷积神经网络的输入；S2，模型并行训练：在并行DCNN模型训练阶段的卷积过程之中，通过IM‑PMTS策略完成分布式的卷积核剪枝，以及多节点卷积计算；并结合MapReduce和Im2col方法并行训练模型；S3，参数并行更新：在反向传播阶段，对于批量数据采用IM‑BGDS策略进行参数的更新；S4，将待测数据输入参数并行更新后的DCNN模型，输出分类结果。本发明提出MHO‑PFES策略能够避免数据冗余特征多的问题；IM‑PMTS策略提高了卷积层运算速度；IM‑BGDS策略排除异常数据对批梯度的影响，解决了损失函数收敛性差的问题。

本发明授权基于Im2col的并行深度卷积神经网络优化方法在权利要求书中公布了：1.一种基于Im2col的并行深度卷积神经网络优化方法，其特征在于，包括以下步骤： S1，特征并行提取：提取医疗图像数据中的目标特征作为卷积神经网络的输入； S2，模型并行训练：在并行DCNN模型训练阶段的卷积过程之中，通过IM-PMTS策略完成分布式的卷积核剪枝，以及多节点卷积计算；并结合MapReduce和Im2col方法并行训练模型； S3，参数并行更新：在反向传播阶段，对于批量医疗图像数据采用IM-BGDS策略进行参数的更新； S4，将待测医疗图像测数据输入参数并行更新后的DCNN模型，输出医疗图像的分类结果； 所述S1采用MHO-PFES策略进行特征并行提取，MHO-PFES策略包括以下步骤： S1-1，特征提取：采用改进的非均值滤波器对输入数据进行滤波，并计算滤波数据的拉普拉斯方程hx,y，寻找拉普拉斯方程的零交叉来提取数据特征； S1-2，特征筛选：为进一步筛选目标特征，提出特征相关指数FCIu,v对比任意两个数据块间的相似度，并设定相关性系数ε，通过去除FCIu,v＜ε的数据块来减少数据中的冗余特征； 所述特征相关指数FCIu,v包括： 其中μu,μv分别表示u和v的期望； σu,σv分别表示u和v的方差； u和v分别表示两条特征向量； 所述S2中的IM-PMTS策略包括以下步骤： S2-1，卷积核剪枝：设计马氏距离中心值MDCV，通过求解MDCV值来寻找与网络模型中卷积核线性相关的向量，并计算此向量到各个卷积核之间的距离dist，通过设定阈值α，裁剪dist＜α的卷积核来减少网络模型中冗余参数； S2-2，并行Im2col卷积：利用Im2col算法将特征图映射成矩阵，将矩阵与对应卷积核存储键值对，分发到各计算节点进行矩阵运算来加快卷积层的运算，得到运算卷积层运算结果，并将结果存入HDFS中； 所述马氏距离中心值MDCV包括： 其中μ表示所有卷积核的均值； S表示所有卷积核的协方差矩阵； Rn是对于同一层级模型中卷积核的集合； T表示转置； 所述IM-BGDS策略包括以下步骤： S3-1，梯度构建：提出损失均值权重LAWgi来排除异常数据对批梯度的影响，并设计损失求和梯度LSGT来构建批数据平均梯度，解决了损失函数收敛性差的问题； S3-2，参数并行更新：在得到批数据的平均梯度后，结合MapReduce计算框架和反向传播的误差传导公式来并行化地计算误差，实现参数的并行更新； 所述损失均值权重LAWgi包括： 其中： 其中LADgi为数据gi的损失函数值与损失函数值均值之差的绝对值； gi表示批数据中的一条数据； τ为衡量LADgi的阈值； batch_size表示批数据大小； Jω,bi表示数据gi损失函数值； ω,b分别是卷积核参数和卷积层的偏置。

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韶关学院，其通讯地址为：512023 广东省韶关市浈江区大学路288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”。