基于CNN的一种错误率可控图像分类算法

传统的卷积神经网络(Convolutional Neural Network,CNN)的预测结果错误率不可控并且不具备置信度衡量,当面对高风险低容错率的问题时,这种方法的预测结果可靠性低.针对这个缺点,基于归纳一致性预测提出一种错误率可控的图像分类算法.该算法通过训练更小的训练集有效缩短了卷积神经网络的训练时间,并根据奇异值函数衡量测试样本与各个类别之间的一致性程度,使得输出结果具有极高的可靠性.实验结果表明,提出的算法能够有效地控制神经网络的预测准确率,并且能够提供具有可靠置信度的预测集合.