【摘要】：經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法采用最陡下降算法進(jìn)行學(xué)習(xí),學(xué)習(xí)性能受卷積層和全連接層的初始權(quán)重設(shè)置的影響較大。采用遺傳算法生成多組初始權(quán)重,經(jīng)過選擇、交叉和變異操作得到最優(yōu)權(quán)重;采用這些權(quán)重作為卷積神經(jīng)網(wǎng)絡(luò)的初始權(quán)重,其學(xué)習(xí)性能優(yōu)于最陡下降算法隨機(jī)選擇的初始權(quán)重;采用遺傳算法生成的多組權(quán)重訓(xùn)練多個(gè)卷積神經(jīng)網(wǎng)絡(luò)分類器,由其構(gòu)建聯(lián)合分類器進(jìn)行分類,可進(jìn)一步提高分類正確率。實(shí)驗(yàn)結(jié)果表明,與經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)方法以及常用的支持向量機(jī)、隨機(jī)森林、后向傳播神經(jīng)網(wǎng)絡(luò)和極速學(xué)習(xí)機(jī)相比,該方法的分類正確率更高。
[Abstract]:The steepest descent algorithm is used in classical convolution neural network learning. The learning performance is greatly affected by the initial weight setting of convolution layer and full connection layer. Genetic algorithm is used to generate multiple groups of initial weights, and the optimal weights are obtained by selecting, crossover and mutation operations, and using these weights as initial weights of convolutional neural networks, their learning performance is better than the initial weights randomly selected by steepest descent algorithm. Multiple convolutional neural network classifiers are trained by genetic algorithm, which can be used to construct a combined classifier for classification, which can further improve the accuracy of classification. The experimental results show that the classification accuracy of this method is higher than that of classical convolution neural network, support vector machine, random forest, backward propagation neural network and extreme learning machine.
【作者單位】： 商丘學(xué)院計(jì)算機(jī)工程學(xué)院;甘肅農(nóng)業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院;
【基金】：國家自然科學(xué)基金項(xiàng)目(034031122)
【分類號】：TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 盧宏濤;張秦川;;深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)用研究綜述[J];數(shù)據(jù)采集與處理;2016年01期

2 曹瑩;苗啟廣;劉家辰;高琳;;AdaBoost算法研究進(jìn)展與展望[J];自動(dòng)化學(xué)報(bào);2013年06期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 梁玉強(qiáng);陳勁杰;葉其含;;基于AdaBoost和BP網(wǎng)絡(luò)的機(jī)器人動(dòng)作理解[J];電子科技;2017年08期

2 曾子明;秦思琪;;智慧圖書館移動(dòng)視覺搜索服務(wù)及其技術(shù)框架研究[J];情報(bào)資料工作;2017年04期

3 王麗敏;喬玲玲;魏霖靜;;結(jié)合遺傳算法的優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2017年07期

4 王旭陽;姜喜秋;;特定領(lǐng)域概念屬性關(guān)系抽取方法研究[J];吉林大學(xué)學(xué)報(bào)(信息科學(xué)版);2017年04期

5 裴子龍;邢進(jìn)生;;基于PSO的CNN算法的改進(jìn)[J];山西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年02期

6 劉聰;程希明;;基于AdaBoost的二手車價(jià)值評估方法[J];北京信息科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年03期

7 趙剛;黃漢明;盧欣欣;郭世豪;柴慧敏;;基于BP-Adaboost方法的天然地震和人工爆炸事件波形信號分類識別研究[J];地震工程學(xué)報(bào);2017年03期

8 羅士鈞;;基于Adaboost算法在葡萄酒酒品分類中的實(shí)際應(yīng)用[J];科學(xué)中國人;2017年17期

9 俞汝R，

本文編號：2200222