本文關鍵詞：不同池化模型的卷積神經網(wǎng)絡學習性能研究

  更多相關文章： 深度學習 卷積神經網(wǎng)絡 圖像識別 特征提取 算法收斂 動態(tài)自適應池化

【摘要】：目的基于卷積神經網(wǎng)絡的深度學習算法在圖像處理領域正引起廣泛關注。為了進一步提高卷積神經網(wǎng)絡特征提取的準確度,加快參數(shù)收斂速度,優(yōu)化網(wǎng)絡學習性能,通過對比不同的池化模型對學習性能的影響提出一種動態(tài)自適應的改進池化算法。方法構建卷積神經網(wǎng)絡模型,使用不同的池化模型對網(wǎng)絡進行訓練,并檢驗在不同迭代次數(shù)下的學習結果。在現(xiàn)有算法準確率不高和收斂速度較慢的情況下,通過使用不同的池化模型對網(wǎng)絡進行訓練,從而構建一種新的動態(tài)自適應池化模型,并研究在不同迭代次數(shù)下其對識別準確率和收斂速度的影響。結果通過對比實驗發(fā)現(xiàn),使用動態(tài)自適應池化算法的卷積神經網(wǎng)絡學習性能最優(yōu),在手寫數(shù)字集上的收斂速度最高可以提升18.55%,而模型對圖像的誤識率最多可以降低20%。結論動態(tài)自適應池化算法不但使卷積神經網(wǎng)絡對特征的提取更加精確,而且很大程度地提高了收斂速度和模型準確率,從而達到優(yōu)化網(wǎng)絡學習性能的目的。這種模型可以進一步拓展到其他與卷積神經網(wǎng)絡相關的深度學習算法。
【作者單位】： 遼寧工程技術大學軟件學院;
【基金】：國家自然科學基金項目(61172144) 遼寧省教育廳科學技術研究一般項目(L2015216)~~
【分類號】：TP391.41;TP18
【正文快照】： 第21卷/第9期/2016年9月劉萬軍,梁雪劍,曲海成/不同池化模型的卷積神經網(wǎng)絡學習性能研究0引言近年來,深度學習使機器學習在人工智能領域取得了重要突破。深度學習的本質是為了使機器學習的過程更加接近于人工智能[1]。深度學習技術由于對圖像特征提取的獨特優(yōu)勢而被計算機視覺

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王繼成;一種新的神經網(wǎng)絡學習算法[J];計算機工程與科學;2000年03期

2 李波,杜健;改進的集成神經網(wǎng)絡學習優(yōu)化研究[J];天津理工大學學報;2005年04期

3 王繼成，呂維雪;一種神經網(wǎng)絡學習過程的數(shù)學描述[J];計算機研究與發(fā)展;1995年08期

4 李眾立,王成端;神經網(wǎng)絡學習算法的研究[J];系統(tǒng)工程與電子技術;1997年05期

5 李斌;數(shù)據(jù)標準化在神經網(wǎng)絡學習中的效果[J];管理科學文摘;1999年01期

6 賈利群,王巍,陳建仁;快速穩(wěn)健的神經網(wǎng)絡學習方法[J];河南師范大學學報(自然科學版);1999年02期

7 胡子萍,崔萍,馬曉敏;一種用于布爾邏輯設計的神經網(wǎng)絡學習算法[J];石油大學學報(自然科學版);2001年03期

8 周顥,任慶生,戚飛虎;一種基于模糊推理的神經網(wǎng)絡學習算法[J];上海交通大學學報;2004年01期

9 彭燕濤;黃文杰;;基于神經網(wǎng)絡學習的發(fā)電商競價支持研究[J];中國電力教育;2005年S2期

10 薛繼偉;李耀輝;陳冬芳;;一種基于區(qū)間優(yōu)化的神經網(wǎng)絡學習算法[J];計算機工程;2006年04期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 汪小帆;宋文忠;;高階連續(xù)時間隨機神經網(wǎng)絡學習算法研究[A];1995年中國控制會議論文集（下）[C];1995年

2 歐陽聰星;周健;樂光新;;一種新的采用神經網(wǎng)絡學習的信號子空間跟蹤算法[A];1999年中國神經網(wǎng)絡與信號處理學術會議論文集[C];1999年

3 王直杰;方建安;邵世煌;;一種改進的遺傳算法及其在神經網(wǎng)絡學習中的應用[A];1995年中國智能自動化學術會議暨智能自動化專業(yè)委員會成立大會論文集（下冊）[C];1995年

4 張榮;韓京清;;加快神經網(wǎng)絡學習的梯度冪次法[A];1997年中國控制會議論文集[C];1997年

5 史天運;賈利民;;進化神經網(wǎng)絡學習算法和軟件的研究[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

6 魯小帆;郭嗣琮;董超;;基于遺傳算法的神經網(wǎng)絡學習算法研究[A];中國計量協(xié)會冶金分會2007年會論文集[C];2007年

7 李銀國;張邦禮;;小波基神經網(wǎng)絡學習算法分析[A];1995年中國智能自動化學術會議暨智能自動化專業(yè)委員會成立大會論文集（上冊）[C];1995年

8 劉朝陽;;領域知識和數(shù)據(jù)結合的神經網(wǎng)絡學習方法和應用[A];復雜巨系統(tǒng)理論·方法·應用——中國系統(tǒng)工程學會第八屆學術年會論文集[C];1994年

9 駱再飛;管冰蕾;周世官;;基于混合粒子群優(yōu)化的神經網(wǎng)絡學習算法[A];2009中國控制與決策會議論文集（2）[C];2009年

10 王崢;李介谷;;基于遺傳算法的混合神經網(wǎng)絡學習算法[A];1996年中國智能自動化學術會議論文集（下冊）[C];1996年

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 趙亮;基于協(xié)同PSO算法的模糊辨識與神經網(wǎng)絡學習[D];上海交通大學;2009年

2 郭慶;多Agent系統(tǒng)協(xié)商中若干關鍵技術的研究[D];浙江大學;2003年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 常清泉;容錯神經網(wǎng)絡學習算法設計與收斂性研究[D];蘭州大學;2015年

2 田園;基于STDP的多種憶阻神經網(wǎng)絡學習的研究[D];重慶大學;2015年

3 高東蓮;神經網(wǎng)絡學習算法及其應用[D];燕山大學;2012年

4 王賢明;基于橢球集員估計理論的神經網(wǎng)絡學習算法研究[D];長沙理工大學;2010年

5 徐駿;基于解析優(yōu)化方法的神經網(wǎng)絡學習算法研究[D];南京理工大學;2010年

6 馮超;遞增的稀疏神經網(wǎng)絡學習算法研究[D];上海交通大學;2008年

7 于秀麗;對神經網(wǎng)絡學習算法的研究[D];河北工業(yè)大學;2003年

8 阮承妹;基于STDP的脈沖神經網(wǎng)絡學習算法的研究[D];福建師范大學;2013年

9 穆云峰;RBF神經網(wǎng)絡學習算法在模式分類中的應用研究[D];大連理工大學;2006年

10 劉彩紅;BP神經網(wǎng)絡學習算法的研究[D];重慶師范大學;2008年

，

本文編號：1201966