發(fā)布時間：2021-10-16 07:01

　　隨著科技的發(fā)展及網(wǎng)絡技術的進步,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聯(lián)關系并加以應用,成為社交網(wǎng)絡領域的一個研究熱點,具有一定的理論意義和實際應用價值。深度學習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)外學者重要研究方法之一。由于情感圖像是一類相對復雜且具有細節(jié)性差異的自然結構,本文采用深度信念網(wǎng)絡算法（Deep Belief Network,DBN）和卷積神經(jīng)網(wǎng)絡算法（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)絡中存在的梯度小,收斂慢等問題,結合多新息理論,對DBN網(wǎng)絡進行了改進,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)絡圖像中的手寫數(shù)字在訓練好的網(wǎng)絡中進行測試,為本文中的圖像分類奠定了基礎。最后用Calte... 

【文章來源】：中北大學山西省

【文章頁數(shù)】：64 頁

【學位級別】：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 深度學習研究現(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 論文組織結構
    1.4 本章小結
2 圖像情感分類及深度學習的相關研究
    2.1 圖像情感分類基本流程
    2.2 人工神經(jīng)網(wǎng)絡及深度學習相關算法
        2.2.1 人工神經(jīng)網(wǎng)絡模型
        2.2.2 受限玻爾茲曼機（Restricted Boltzmann Machine, RBM）
    2.3 本章小結
3 基于多新息理論的深度信念網(wǎng)絡改進算法
    3.1 深度信念網(wǎng)絡模型
        3.1.1 DBN網(wǎng)絡預訓練過程
        3.1.2 DBN網(wǎng)絡微調(diào)過程
        3.1.3 DBN網(wǎng)絡測試過程
    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)絡改進算法
    3.4 實驗結果分類
        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
4 基于卷積神經(jīng)網(wǎng)絡的圖像情感分類改進算法
    4.1 卷積神經(jīng)網(wǎng)絡算法
        4.1.1 CNN網(wǎng)絡前向傳播過程
        4.1.2 CNN網(wǎng)絡反向傳播過程
    4.2 基于多新息理論的卷積神經(jīng)網(wǎng)絡改進算法
        4.2.1 網(wǎng)絡結構
        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
5 總結與展望
    5.1 全文總結
    5.2 未來工作展望
參考文獻
攻讀碩士學位期間發(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]深度學習及其在圖像物體分類與檢測中的應用綜述[J]. 劉棟,李素,曹志冬.  計算機科學. 2016(12)
[2]面向自然語言處理的深度學習研究[J]. 奚雪峰,周國棟.  自動化學報. 2016(10)
[3]基于多新息理論的深度信念網(wǎng)絡算法[J]. 李萌,秦品樂,李傳朋.  計算機應用. 2016(09)
[4]圖像理解中的卷積神經(jīng)網(wǎng)絡[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動化學報. 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)督學習的中文情感分類技術比較研究[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)絡在計算機視覺中的應用研究綜述[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)學學報. 2015(02)
[10]情感表達與普通話感嘆詞語音特征的關系研究[J]. 鄧宏麗,劉惠.  柳州師專學報. 2015(02)

碩士論文
[1]卷積神經(jīng)網(wǎng)絡在圖像分類中的應用研究[D]. 吳正文.電子科技大學 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 2015
[3]深度學習在圖像語義分類中的應用[D]. 杜騫.華中師范大學 2014
[4]基于傳統(tǒng)方法和深度學習的圖像精細分類研究[D]. 張恒亨.合肥工業(yè)大學 2014
[5]網(wǎng)絡動態(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 2010



本文編號：3439375