隨著軟硬件技術(shù)的飛速發(fā)展和大數(shù)據(jù)時(shí)代的到來(lái),卷積神經(jīng)網(wǎng)絡(luò)（CNN）技術(shù)在越來(lái)越多的領(lǐng)域發(fā)揮著非常重要的作用,如數(shù)字識(shí)別、物體辨別、無(wú)人駕駛、語(yǔ)音識(shí)別等領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)是深層神經(jīng)網(wǎng)絡(luò)的一個(gè)分支,它的網(wǎng)絡(luò)結(jié)構(gòu)中有特殊的卷積層和池化層,卷積層的感知器和前一層的感知器連接的方式是局部連接并共享權(quán)值,這樣的連接方式有利于減少訓(xùn)練參數(shù)的數(shù)量,池化層可以對(duì)輸入數(shù)據(jù)進(jìn)行降維,從而使網(wǎng)絡(luò)的復(fù)雜度降低,魯棒性提高,即抑制了過擬合問題�，F(xiàn)在圖像信息以幾何方式的趨勢(shì)增長(zhǎng),需要處理的圖像數(shù)據(jù)量越來(lái)越多,卷積神經(jīng)網(wǎng)絡(luò)雖然在處理圖像數(shù)據(jù)時(shí)很有優(yōu)勢(shì),但因?yàn)樾枰幚淼臄?shù)據(jù)量龐大,導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)處理數(shù)據(jù)的時(shí)間變長(zhǎng),效率降低。如果為了縮短卷積網(wǎng)絡(luò)的訓(xùn)練時(shí)間,將卷積神經(jīng)網(wǎng)絡(luò)的寬度和深度減小,則會(huì)影響模型的訓(xùn)練效果。因此,如何在保證模型質(zhì)量的前提下,通過讓模型更小,或者讓網(wǎng)絡(luò)模型消耗的資源更少進(jìn)而加快運(yùn)算速度并且保準(zhǔn)模型質(zhì)量是一大難題。為了減小卷積神經(jīng)網(wǎng)絡(luò)在處理圖像數(shù)據(jù)時(shí)的負(fù)擔(dān)并且提高模型學(xué)習(xí)效率,本文根據(jù)圖像信息的自身特點(diǎn),提出了基于粗糙集（RS）的卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別算法。該算法用經(jīng)典的圖像特征提取算法代替了卷積神經(jīng)網(wǎng)絡(luò)提... 

【文章來(lái)源】：成都理工大學(xué)四川省

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

傳統(tǒng)圖像識(shí)別系統(tǒng)流程圖

圖 1-2 機(jī)器學(xué)習(xí)圖像識(shí)別流程圖圖像識(shí)別傳統(tǒng)方法可分為兩步：一是特征提取，二是特征分類。第一步象為特征，第二步將該特征進(jìn)一步抽象成更高級(jí)的特征，最終通過傳統(tǒng)到類別信息。這類方法通常使用人工方式獲取圖像特征，但根據(jù)人的經(jīng)特征未必能反應(yīng)整個(gè)圖像，因此傳統(tǒng)圖像識(shí)別方法抗干擾能力較差。最的是 Yang 等于 2009 年提出采用稀疏編碼表征圖像。也有如基于粒子群的 BP 神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)用，但是 BP 網(wǎng)絡(luò)存在一些不足，如部最小，神經(jīng)網(wǎng)中隱含層神經(jīng)元的個(gè)數(shù)設(shè)定需依靠先驗(yàn)知識(shí)等。為彌補(bǔ)網(wǎng)絡(luò)的不足，采取的研究方法有改進(jìn) BP 網(wǎng)絡(luò)和其他新的識(shí)別方法�，F(xiàn)得較多、效果較好的新方法為支持向量機(jī)。支持向量機(jī)方法在樣本較少量較差的情況下，可獲得較高的識(shí)別率。后來(lái)因?yàn)?CNN 的崛起，很多基于 CNN 的圖像識(shí)別模型，實(shí)現(xiàn)圖像識(shí)別。但是，隨著圖像數(shù)據(jù)量越CNN 面臨著用在減小卷積神經(jīng)網(wǎng)絡(luò)的寬度和深度，即保證準(zhǔn)確率的前提或者提高效率。

本文提出的改進(jìn)算法在圖像識(shí)別時(shí)在準(zhǔn)確度和學(xué)習(xí)效率上更有優(yōu)勢(shì)。圖1-3 是本文研究路線圖。1.4 論文結(jié)構(gòu)介紹本學(xué)位論文共有五章，具體的結(jié)構(gòu)安排如下：第一章 緒論 。本章主要介紹了論文的選題依據(jù)及研究意義，簡(jiǎn)述了圖像識(shí)別、粗糙集和卷積神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀，并給出本文的研究創(chuàng)新點(diǎn)及各章主要內(nèi)容安排。第二章 粗糙集及粗糙集屬性約簡(jiǎn)原理簡(jiǎn)介 。概述了粗糙集理論的基本概念，討論了粗糙集幾種典型的屬性約簡(jiǎn)方法。第三章 卷積神經(jīng)網(wǎng)絡(luò)基本原理簡(jiǎn)介 。本章介紹了傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)以及卷積網(wǎng)絡(luò)的相關(guān)理論知識(shí)，包括感知器，多層感知器，反向傳播的思想，以及卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)中的核心模塊，如卷積層、池化層、Softmax 層等。第四章 圖像特征提取和鄰域粗糙集屬性約簡(jiǎn) 。本章首先介紹了幾種典型的圖像特征提取算法和鄰域粗糙集屬性約簡(jiǎn)的理論知識(shí)，其次概述了特征組合的方式以及其優(yōu)勢(shì)，最后通過實(shí)驗(yàn)驗(yàn)證了鄰域粗糙集屬性約簡(jiǎn)的效果。


本文編號(hào)：3111339