本文關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化及其在圖像識(shí)別中的應(yīng)用，，由筆耕文化傳播整理發(fā)布。

【摘要】：卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,即CNN)是一種基于多層監(jiān)督學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò),它改善了傳統(tǒng)模式識(shí)別方法存在提取特征難的問(wèn)題,它不僅具有傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn),較好的容錯(cuò)性、自適應(yīng)性和自學(xué)習(xí)能力,并且還具有自動(dòng)提取特征、權(quán)值共享的特點(diǎn),因而被廣泛應(yīng)用于圖像識(shí)別、物體檢測(cè)與識(shí)別和目標(biāo)跟蹤等領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用過(guò)程中其網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化是影響識(shí)別精度及效率的重要因素,研究CNN網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化問(wèn)題具有重要意義。論文對(duì)卷積神經(jīng)網(wǎng)絡(luò)的理論、特點(diǎn)、結(jié)構(gòu)進(jìn)行了深入研究,并分析了卷積神經(jīng)網(wǎng)絡(luò)中訓(xùn)練和測(cè)試的基本過(guò)程。對(duì)CNN識(shí)別過(guò)程中的網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)及隱層特征圖個(gè)數(shù)、卷積核大小、權(quán)值初始化、批量樣本數(shù)和迭代次數(shù)等參數(shù)進(jìn)行了深入研究,并給出了其取值方法。在基于CNN的識(shí)別過(guò)程中,隱層特征圖個(gè)數(shù)對(duì)識(shí)別精度影響較大;上一層特征圖存在與下一層特征圖關(guān)聯(lián)性較小的樣本數(shù)據(jù),影響系統(tǒng)的識(shí)別精度�；疑P(guān)聯(lián)分析法(Grey Relational Analysis,即GRA)具有能夠挖掘數(shù)據(jù)之間內(nèi)在關(guān)聯(lián)度的特點(diǎn),本文在網(wǎng)絡(luò)訓(xùn)練過(guò)程中引入GRA以自動(dòng)選擇對(duì)識(shí)別結(jié)果影響較大的隱藏層特征圖從而優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。本文通過(guò)輸入圖像的大小確定卷積核大小和網(wǎng)絡(luò)結(jié)構(gòu)層數(shù),并使用實(shí)驗(yàn)的方式確定批量樣本數(shù)和迭代次數(shù),同時(shí)引用灰色關(guān)聯(lián)分析法確定隱層特征圖個(gè)數(shù),從而確定網(wǎng)絡(luò)結(jié)構(gòu)及相關(guān)參數(shù),用已確定好結(jié)構(gòu)的CNN完成對(duì)手寫(xiě)體數(shù)字識(shí)別和交通標(biāo)志識(shí)別實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明使用灰色關(guān)聯(lián)分析法確定后的隱層特征圖個(gè)數(shù)符合實(shí)驗(yàn)方法確定的隱層特征圖個(gè)數(shù)局部最優(yōu)值,本文提出的方法能夠自適應(yīng)確定特征圖個(gè)數(shù),完成對(duì)CNN網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化。
【關(guān)鍵詞】：卷積神經(jīng)網(wǎng)絡(luò) 網(wǎng)絡(luò)結(jié)構(gòu) 灰色關(guān)聯(lián)分析法 手寫(xiě)體數(shù)字 交通標(biāo)志
【學(xué)位授予單位】：沈陽(yáng)工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41;TP183
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-15
• 1.1 研究背景及意義9-10
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀10-13
• 1.2.1 卷積神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀10-11
• 1.2.2 卷積神經(jīng)網(wǎng)絡(luò)與手寫(xiě)體數(shù)字識(shí)別11-12
• 1.2.3 卷積神經(jīng)網(wǎng)絡(luò)與交通標(biāo)志識(shí)別12-13
• 1.3 論文的主要工作、內(nèi)容安排及創(chuàng)新點(diǎn)13-15
• 第2章 卷積神經(jīng)網(wǎng)絡(luò)15-22
• 2.1 概述15-16
• 2.2 網(wǎng)絡(luò)結(jié)構(gòu)模型16-18
• 2.3 訓(xùn)練與測(cè)試18-20
• 2.4 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)及其設(shè)計(jì)20-22
• 第3章 灰色關(guān)聯(lián)分析法與神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化22-25
• 3.1 灰色關(guān)聯(lián)分析法22
• 3.2 灰色關(guān)聯(lián)分析法與BP神經(jīng)網(wǎng)絡(luò)22-23
• 3.3 基于灰色關(guān)聯(lián)分析法的CNN網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化23-25
• 3.3.1 GRA與CNN中隱層特征圖個(gè)數(shù)的確定23
• 3.3.2 GRA優(yōu)化CNN的實(shí)現(xiàn)過(guò)程23-25
• 第4章 CNN在手寫(xiě)體數(shù)字識(shí)別中的應(yīng)用25-37
• 4.1 數(shù)據(jù)庫(kù)構(gòu)建25
• 4.2 網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)定25-29
• 4.2.1 卷積核大小和網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)設(shè)定25-26
• 4.2.2 批量樣本數(shù)設(shè)定26-27
• 4.2.3 迭代次數(shù)設(shè)定27-28
• 4.2.4 隱層特征圖個(gè)數(shù)設(shè)定28-29
• 4.3 隱層特征圖個(gè)數(shù)優(yōu)化及實(shí)驗(yàn)結(jié)果分析29-32
• 4.3.1 C3、S4層特征圖個(gè)數(shù)確定29-31
• 4.3.2 C1、S2層特征圖個(gè)數(shù)確定31-32
• 4.4 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試32-37
• 4.4.1 訓(xùn)練33-35
• 4.4.2 測(cè)試35
• 4.4.3 不同結(jié)構(gòu)下識(shí)別錯(cuò)誤率和時(shí)間對(duì)比實(shí)驗(yàn)35-37
• 第5章 CNN在交通標(biāo)志識(shí)別中的應(yīng)用37-61
• 5.1 數(shù)據(jù)庫(kù)構(gòu)建37-39
• 5.2 網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)定39-42
• 5.2.1 卷積核大小和網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)設(shè)定39
• 5.2.2 批量樣本數(shù)設(shè)定39-40
• 5.2.3 迭代次數(shù)設(shè)定40-41
• 5.2.4 隱層特征圖個(gè)數(shù)設(shè)定41-42
• 5.3 隱層特征圖個(gè)數(shù)優(yōu)化及實(shí)驗(yàn)結(jié)果分析42-45
• 5.3.1 C3、S4層特征圖個(gè)數(shù)確定42-44
• 5.3.2 C1、S2層特征圖個(gè)數(shù)確定44-45
• 5.4 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試45-48
• 5.4.1 訓(xùn)練45-46
• 5.4.2 測(cè)試46-47
• 5.4.3 不同結(jié)構(gòu)下識(shí)別錯(cuò)誤率和時(shí)間對(duì)比實(shí)驗(yàn)47-48
• 5.5 魯棒性測(cè)試48-61
• 第6章 結(jié)論61-62
• 參考文獻(xiàn)62-65
• 在學(xué)研究成果65-66
• 致謝66

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 張秀玲;付棟;李海濱;來(lái)永進(jìn);王振臣;;基于RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)混合優(yōu)化的數(shù)字識(shí)別[J];沈陽(yáng)大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年03期

2 黃琳;張尤賽;;應(yīng)用深層卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別[J];現(xiàn)代電子技術(shù);2015年13期

3 張黎;劉爭(zhēng)鳴;唐軍;;基于BP神經(jīng)網(wǎng)絡(luò)的手寫(xiě)數(shù)字識(shí)別方法的實(shí)現(xiàn)[J];自動(dòng)化與儀器儀表;2015年06期

4 秦鑫;張昊;;基于BP人工神經(jīng)網(wǎng)絡(luò)的手寫(xiě)體數(shù)字識(shí)別[J];計(jì)算機(jī)與數(shù)字工程;2015年02期

5 潘廣源;柴偉;喬俊飛;;DBN網(wǎng)絡(luò)的深度確定方法[J];控制與決策;2015年02期

6 宣森炎;龔小謹(jǐn);劉濟(jì)林;;基于聯(lián)合卷積和遞歸神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別[J];傳感器與微系統(tǒng);2014年08期

7 房澤平;段建民;鄭榜貴;;基于特征顏色和SNCC的交通標(biāo)志識(shí)別與跟蹤[J];交通運(yùn)輸系統(tǒng)工程與信息;2014年01期

8 丁婷;孫玉環(huán);;基于BP神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別[J];物聯(lián)網(wǎng)技術(shù);2013年05期

9 馮春貴;祝詩(shī)平;王海軍;賀園園;;基于改進(jìn)模板匹配的限速標(biāo)志識(shí)別方法研究[J];西南大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年04期

10 徐姍姍;劉應(yīng)安;徐f;;基于卷積神經(jīng)網(wǎng)絡(luò)的木材缺陷識(shí)別[J];山東大學(xué)學(xué)報(bào)(工學(xué)版);2013年02期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前1條

1 陸璐;張旭東;趙瑩;高雋;;基于卷積神經(jīng)網(wǎng)絡(luò)的車牌照字符識(shí)別研究[A];第十二屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2005年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 張子夫;基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)跟蹤算法研究與實(shí)現(xiàn)[D];吉林大學(xué);2015年

2 尤倩;基于SVM的脫機(jī)手寫(xiě)體數(shù)字識(shí)別的研究與應(yīng)用[D];山東師范大學(xué);2014年

3 楊心;基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)識(shí)識(shí)別研究與應(yīng)用[D];大連理工大學(xué);2014年

4 李飛騰;卷積神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[D];大連理工大學(xué);2014年

5 李衛(wèi);深度學(xué)習(xí)在圖像識(shí)別中的研究及應(yīng)用[D];武漢理工大學(xué);2014年

6 盧鵬;字符文本驗(yàn)證碼的破解技術(shù)研究[D];南京理工大學(xué);2014年

7 許可;卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D];浙江大學(xué);2012年

8 張艷芳;貝葉斯網(wǎng)絡(luò)在手寫(xiě)數(shù)字識(shí)別中的應(yīng)用與研究[D];華北電力大學(xué);2011年

9 康明;手寫(xiě)體數(shù)字識(shí)別技術(shù)研究[D];武漢理工大學(xué);2010年

10 王秀;基于灰色理論和神經(jīng)網(wǎng)絡(luò)的道路交通事故預(yù)測(cè)研究[D];山東科技大學(xué);2007年

  本文關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化及其在圖像識(shí)別中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：353705