針對自動編碼器在強噪聲環(huán)境下分類效果低的特征,提出了基于改進型稀疏自動編碼器組合的深度學習方法。在采用計算相關熵的方法,增強了稀疏自動編碼器對非高斯噪聲的魯棒性的基礎上,利用卷積神經網絡對自動編碼器進行邊緣降噪,接著將改進后的稀疏自動編碼器和邊緣降噪自動編碼器相結合,得到新的稀疏邊緣降噪自動編碼器。實測數(shù)據(jù)的實驗結果表明,新的稀疏邊緣降噪自動編碼器比現(xiàn)有的分類算法,計算時間更短、準確率更高、效果更明顯。 

【文章來源】：計算機仿真. 2020,37(04)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

卷積神經網絡典型結構

【參考文獻】：
期刊論文
[1]基于Katz自動編碼器的城市路網鏈路預測模型[J]. 盛津芳,劉家廣,王斌.  計算機工程與應用. 2019(08)
[2]卷積神經網絡研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[3]基于自動編碼器組合的深度學習優(yōu)化方法[J]. 鄧俊鋒,張曉龍.  計算機應用. 2016(03)
[4]基于改進型稀疏自動編碼器的圖像識別[J]. 尹征,唐春暉,張軒雄.  電子科技. 2016(01)
[5]融合全局和局部相關熵的圖像分割[J]. 黃揚,郭立君,張榮.  中國圖象圖形學報. 2015(12)
[6]基于卷積神經網絡的商品圖像精細分類[J]. 賈世杰,楊東坡,劉金環(huán).  山東科技大學學報(自然科學版). 2014(06)

碩士論文
[1]弱標注環(huán)境下基于多標簽深度學習的加速圖像標注[D]. 溫翔.北京交通大學 2016
[2]基于深度學習的目標檢測算法研究及應用[D]. 萬維.電子科技大學 2015
[3]基于圖像檢索的手持設備上大圖像自助導覽系統(tǒng)設計與實現(xiàn)[D]. 劉昱杰.浙江大學 2013



本文編號：2963312