卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networ,CNN）是一種深度前饋神經(jīng)網(wǎng)絡(luò),近些年已成為圖像識(shí)別領(lǐng)域中的研究熱點(diǎn)。CNN作為強(qiáng)有力的圖像識(shí)別工具,在取得很好效果的同時(shí),在實(shí)際應(yīng)用中也存在著諸如權(quán)值優(yōu)化、過擬合、網(wǎng)絡(luò)退化等問題。因此,尋找合適的改進(jìn)方案,將CNN以合理的形式融入到新的應(yīng)用模型中,對(duì)解決實(shí)際問題至關(guān)重要。論文從CNN的過擬合問題和特征融合問題兩個(gè)角度出發(fā),對(duì)傳統(tǒng)CNN進(jìn)行改進(jìn),結(jié)合主成分分析算法（Principle Component Analysis,PCA）在圖像處理方面的優(yōu)勢(shì),建立了PCA與CNN耦合算法,并將其應(yīng)用到球團(tuán)礦相識(shí)別問題中。首先,對(duì)CNN的基本結(jié)構(gòu)及訓(xùn)練過程進(jìn)行分析,重點(diǎn)研究了局部感受野、權(quán)值共享以及卷積計(jì)算相關(guān)理論,提出CNN算法在實(shí)際應(yīng)用中遇到的兩類優(yōu)化問題,即模型過擬合問題和特征融合問題。其次,針對(duì)過度擬合問題,提出了圖像縮放、調(diào)整圖像亮度和對(duì)比度、圖像翻轉(zhuǎn)、圖像旋轉(zhuǎn)、高斯濾波、圖像分割和PCA降維7種圖像處理方法,從數(shù)據(jù)增強(qiáng)和數(shù)據(jù)降維兩方面提高樣本數(shù)據(jù)質(zhì)量,有效避免了模型過擬合問題的出現(xiàn),在提高模型計(jì)算速度的同時(shí)也提高了... 

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
引言
第1章 緒論
    1.1 課題背景與意義
    1.2 國內(nèi)外研究概況
        1.2.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與研究現(xiàn)狀
        1.2.2 球團(tuán)礦相研究現(xiàn)狀
    1.3 論文結(jié)構(gòu)和主要研究?jī)?nèi)容
        1.3.1 主要研究?jī)?nèi)容
        1.3.2 章節(jié)結(jié)構(gòu)
第2章 理論分析
    2.1 CNN相關(guān)理論
        2.1.1 反向傳播算法
        2.1.2 梯度下降法
        2.1.3 三種常見激活函數(shù)
    2.2 CNN基本結(jié)構(gòu)及特征
        2.2.1 CNN基本結(jié)構(gòu)
        2.2.2 局部感受野思想
        2.2.3 權(quán)值共享思想
        2.2.4 CNN的訓(xùn)練流程
    2.3 本章小結(jié)
第3章 PCA與 CNN算法耦合
    3.1 PCA的基本思想與數(shù)學(xué)模型
    3.2 基于PCA算法的礦相主特征提取
    3.3 PCA與 CNN算法耦合
        3.3.1 過擬合問題
        3.3.2 特征融合問題
    3.4 本章小結(jié)
第4章 PCA與 CNN耦合算法在礦相識(shí)別中的應(yīng)用
    4.1 實(shí)驗(yàn)與算法設(shè)計(jì)
        4.1.1 實(shí)驗(yàn)設(shè)計(jì)
        4.1.2 算法流程設(shè)計(jì)
    4.2 球團(tuán)礦相預(yù)處理
        4.2.1 圖像增強(qiáng)
        4.2.2 高斯濾波
        4.2.3 圖像分割
    4.3 PCA與 CNN耦合模型建立與求解
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
導(dǎo)師簡(jiǎn)介
作者簡(jiǎn)介
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)多層特征融合和K-Means聚類的服裝圖像檢索方法[J]. 侯媛媛,何儒漢,李敏,陳佳.  計(jì)算機(jī)科學(xué). 2019(S1)
[2]硅系行業(yè)的現(xiàn)狀及未來思考[J]. 王建民,師政清.  鐵合金. 2019(01)
[3]基于輪廓信息與顏色直方圖的圖像匹配[J]. 尤波,徐義飛,李彬,楊偉凱.  自動(dòng)化技術(shù)與應(yīng)用. 2019(02)
[4]基于深度學(xué)習(xí)的圖像實(shí)例分割[J]. 陳茗楊,趙志剛,潘振寬,于曉康.  青島大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[5]PFWG改進(jìn)的CNN多光譜遙感圖像分類[J]. 王民,樊潭飛,贠衛(wèi)國,王稚慧.  激光與光電子學(xué)進(jìn)展. 2019(03)
[6]基于卷積網(wǎng)絡(luò)的沙漠腹地綠洲植物群落自動(dòng)分類方法[J]. 尼加提·卡斯木,師慶東,劉素紅,比拉力·依明,李浩.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(01)
[7]基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的油茶病害圖像識(shí)別[J]. 龍滿生,歐陽春娟,劉歡,付青.  農(nóng)業(yè)工程學(xué)報(bào). 2018(18)
[8]鎂質(zhì)熔劑性球團(tuán)礦相特征分析[J]. 丁明明,李娟,孔凡備,李宇晗.  化工設(shè)計(jì)通訊. 2018(06)
[9]基于Gauss線檢測(cè)的雪糕棒淺劈裂缺陷識(shí)別[J]. 苑瑋琦,朱蕊.  電子世界. 2018(11)
[10]深度學(xué)習(xí)在圖像處理領(lǐng)域中的應(yīng)用綜述[J]. 殷琪林,王金偉.  高教學(xué)刊. 2018(09)

碩士論文
[1]基于機(jī)器學(xué)習(xí)的圖像檢索研究[D]. 劉凡.上海師范大學(xué) 2019
[2]人體糞便鏡檢圖像中紅白細(xì)胞的分割與識(shí)別方法研究[D]. 何曉嶺.華東交通大學(xué) 2018
[3]基于人工智能的輻射源識(shí)別技術(shù)研究[D]. 袁博.西安電子科技大學(xué) 2018
[4]基于CNN的隧道地質(zhì)超前預(yù)報(bào)GPR實(shí)測(cè)數(shù)據(jù)分類研究及應(yīng)用[D]. 黨巾濤.長(zhǎng)安大學(xué) 2018
[5]面向持續(xù)適航的航空器運(yùn)行風(fēng)險(xiǎn)研究[D]. 倪曉梅.南京航空航天大學(xué) 2018
[6]英文實(shí)體識(shí)別與鏈接的研究與實(shí)現(xiàn)[D]. 李曉光.北京郵電大學(xué) 2018
[7]深度神經(jīng)網(wǎng)絡(luò)的可視化理解方法研究[D]. 趙新杰.哈爾濱工程大學(xué) 2018
[8]球團(tuán)礦冶金性能預(yù)測(cè)的SVM改進(jìn)模型研究[D]. 韓陽.華北理工大學(xué) 2018
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別在疲勞駕駛檢測(cè)中的應(yīng)用[D]. 幸堅(jiān)炬.廣東技術(shù)師范學(xué)院 2017
[10]基于深度學(xué)習(xí)的車型識(shí)別算法與DSP平臺(tái)實(shí)現(xiàn)[D]. 郭曉偉.國防科學(xué)技術(shù)大學(xué) 2016



本文編號(hào)：3689548