隨著科技的發(fā)展及網(wǎng)絡(luò)技術(shù)的進步,人們的聯(lián)系、交流方式出現(xiàn)了多樣化發(fā)展趨勢,越來越發(fā)展的社交網(wǎng)絡(luò)成為人們流露真實情感的地方,而隨著文字一起發(fā)出的圖像也在一定程度上反映了人們的情感狀態(tài),如何發(fā)現(xiàn)圖像和情感之間的關(guān)聯(lián)關(guān)系并加以應(yīng)用,成為社交網(wǎng)絡(luò)領(lǐng)域的一個研究熱點,具有一定的理論意義和實際應(yīng)用價值。深度學(xué)習(xí)作為目前圖像分類和圖像識別的一個重要研究手段,比傳統(tǒng)方式具有明顯優(yōu)勢,已成為國內(nèi)外學(xué)者重要研究方法之一。由于情感圖像是一類相對復(fù)雜且具有細節(jié)性差異的自然結(jié)構(gòu),本文采用深度信念網(wǎng)絡(luò)算法（Deep Belief Network,DBN）和卷積神經(jīng)網(wǎng)絡(luò)算法（Convolutional Neural Network,CNN）進行研究,并且根據(jù)圖像情感分類的具體問題,提出相應(yīng)解決方案,研究內(nèi)容如下:（1）深入研究DBN算法,針對DBN網(wǎng)絡(luò)中存在的梯度小,收斂慢等問題,結(jié)合多新息理論,對DBN網(wǎng)絡(luò)進行了改進,提出了基于多新息理論的DBN算法（MI-DBN）。用MNIST數(shù)據(jù)集驗證MI-DBN算法的可行性,再將社交網(wǎng)絡(luò)圖像中的手寫數(shù)字在訓(xùn)練好的網(wǎng)絡(luò)中進行測試,為本文中的圖像分類奠定了基礎(chǔ)。最后用Calte... 

【文章來源】：中北大學(xué)山西省

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 選題依據(jù)、研究背景及意義
        1.1.1 選題依據(jù)
        1.1.2 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 情感分類研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容及安排
        1.3.1 主要研究內(nèi)容
        1.3.2 論文組織結(jié)構(gòu)
    1.4 本章小結(jié)
2 圖像情感分類及深度學(xué)習(xí)的相關(guān)研究
    2.1 圖像情感分類基本流程
    2.2 人工神經(jīng)網(wǎng)絡(luò)及深度學(xué)習(xí)相關(guān)算法
        2.2.1 人工神經(jīng)網(wǎng)絡(luò)模型
        2.2.2 受限玻爾茲曼機（Restricted Boltzmann Machine, RBM）
    2.3 本章小結(jié)
3 基于多新息理論的深度信念網(wǎng)絡(luò)改進算法
    3.1 深度信念網(wǎng)絡(luò)模型
        3.1.1 DBN網(wǎng)絡(luò)預(yù)訓(xùn)練過程
        3.1.2 DBN網(wǎng)絡(luò)微調(diào)過程
        3.1.3 DBN網(wǎng)絡(luò)測試過程
    3.2 多新息辨識理論
    3.3 基于多新息理論的深度信念網(wǎng)絡(luò)改進算法
    3.4 實驗結(jié)果分類
        3.4.1 實驗環(huán)境
        3.4.2 基于MNIST數(shù)據(jù)集的仿真
        3.4.3 基于Blog數(shù)據(jù)集的仿真
        3.4.4 基于Caltech101數(shù)據(jù)集的仿真
    3.5 本章小結(jié)
4 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像情感分類改進算法
    4.1 卷積神經(jīng)網(wǎng)絡(luò)算法
        4.1.1 CNN網(wǎng)絡(luò)前向傳播過程
        4.1.2 CNN網(wǎng)絡(luò)反向傳播過程
    4.2 基于多新息理論的卷積神經(jīng)網(wǎng)絡(luò)改進算法
        4.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.2 卷積層
        4.2.3 下采樣層
        4.2.4 全連接層
    4.3 仿真結(jié)果與分析
        4.3.1 實驗環(huán)境
        4.3.2 數(shù)據(jù)收集
        4.3.3 Art Photo數(shù)據(jù)集
        4.3.4 FlickrEmotion數(shù)據(jù)集
        4.3.5 Emotion數(shù)據(jù)集
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 未來工作展望
參考文獻
攻讀碩士學(xué)位期間發(fā)表的論文及所取得的研究成果
致謝


【參考文獻】：
期刊論文
[1]深度學(xué)習(xí)及其在圖像物體分類與檢測中的應(yīng)用綜述[J]. 劉棟,李素,曹志冬.  計算機科學(xué). 2016(12)
[2]面向自然語言處理的深度學(xué)習(xí)研究[J]. 奚雪峰,周國棟.  自動化學(xué)報. 2016(10)
[3]基于多新息理論的深度信念網(wǎng)絡(luò)算法[J]. 李萌,秦品樂,李傳朋.  計算機應(yīng)用. 2016(09)
[4]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動化學(xué)報. 2016(09)
[5]基于抗噪聲局部二值模式的紋理圖像分類[J]. 冀中,聶林紅.  計算機研究與發(fā)展. 2016(05)
[6]基于監(jiān)督學(xué)習(xí)的中文情感分類技術(shù)比較研究[J]. 楊碩.  鴨綠江(下半月版). 2016(05)
[7]基于色塊邊緣和顏色直方圖的多目標跟蹤算法[J]. 劉一宸.  計算機與現(xiàn)代化. 2016(02)
[8]深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺中的應(yīng)用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[9]受限波爾茲曼機[J]. 張春霞,姬楠楠,王冠偉.  工程數(shù)學(xué)學(xué)報. 2015(02)
[10]情感表達與普通話感嘆詞語音特征的關(guān)系研究[J]. 鄧宏麗,劉惠.  柳州師專學(xué)報. 2015(02)

碩士論文
[1]卷積神經(jīng)網(wǎng)絡(luò)在圖像分類中的應(yīng)用研究[D]. 吳正文.電子科技大學(xué) 2015
[2]基于機器視覺的運動目標實時跟蹤算法研究[D]. 劉毛毛.中北大學(xué) 2015
[3]深度學(xué)習(xí)在圖像語義分類中的應(yīng)用[D]. 杜騫.華中師范大學(xué) 2014
[4]基于傳統(tǒng)方法和深度學(xué)習(xí)的圖像精細分類研究[D]. 張恒亨.合肥工業(yè)大學(xué) 2014
[5]網(wǎng)絡(luò)動態(tài)文字與人類情感的智能化表達[D]. 秦霓.哈爾濱工業(yè)大學(xué) 2010



本文編號：3439375