本文選題：卷積神經(jīng)網(wǎng)絡　切入點：廣義回歸神經(jīng)網(wǎng)絡　出處：《計算機工程》2017年04期 　論文類型：期刊論文

【摘要】：卷積神經(jīng)網(wǎng)絡(CNN)模型在圖像識別中取得了良好的效果,但其識別精度還有進一步提升的空間。為此,設計一種新的圖像識別模型CNN-GRNN。利用CNN提取樣本圖像中的多層次特征信息,將廣義回歸神經(jīng)網(wǎng)絡代替反向傳播神經(jīng)網(wǎng)絡,以提高分類器的泛化能力和魯棒性,通過均方差和降梯度法訓練模型。基于COIL-100和手勢庫的實驗結果表明,與灰度共生矩陣、HU距方法、CNN和CNN-SVM模型相比,CNN-GRNN的識別率分別提升了42.2%,13.43%,3.99%和1.86%,并具有較好的實時性。
[Abstract]:The convolutional neural network (CNN) model has achieved good results in image recognition, but its recognition accuracy still has room for further improvement. A new image recognition model, CNN-GRNN, is designed to extract multi-level feature information from the sample image by using CNN. In order to improve the generalization ability and robustness of classifier, generalized regression neural network is replaced by backpropagation neural network. The model is trained by the method of mean-variance and descending gradient. The experimental results based on COIL-100 and gesture database show that, The recognition rate of CNN-GRNN is improved by 42.2%, 13.433.99% and 1.86%, respectively, compared with the gray co-occurrence matrix HU distance method and CNN-SVM model, and it has better real-time performance.
【作者單位】： 昆明理工大學信息工程與自動化學院;
【基金】：國家自然科學基金(61263017) 云南省人才培養(yǎng)項目(KKSY201303120) 云南省教育廳科學研究基金(2014Y086)
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前6條

1 王威;榮志飛;范國清;;基于GRNN的導航衛(wèi)星鐘差仿真方法研究[J];系統(tǒng)仿真學報;2011年11期

2 Babakhani Asad;杜志江;孫立寧;Kardan Reza;Mianji A. Fereidoun;;Application of generalized regression neural network on fast 3D reconstruction[J];Journal of Harbin Institute of Technology;2007年01期

3 李衛(wèi)民;劉建偉;樂嘉錦;;一種新的基于AR* -GRNN的QoS降載管理框架[J];小型微型計算機系統(tǒng);2011年03期

4 唐超;李世平;孫浚清;張弦;;基于GRNN的虛擬儀器非線性校準方法研究[J];彈箭與制導學報;2007年05期

5 ;Application and Simulation of GRNN for the Shotcrete Robot[J];Computer Aided Drafting,Design and Manufacturing;2009年02期

6 ;[J];;年期

相關會議論文 前1條

1 馬珊;龐永杰;張鐵棟;;基于GRNN的聲圖像特征研究[A];第十五屆中國海洋（岸）工程學術討論會論文集(上)[C];2011年

，

本文編號：1577807