卷積神經(jīng)網(wǎng)絡（CNN）在處理圖像過程中,因池化方式的原因易出現(xiàn)過擬合,表現(xiàn)出陷入局部最優(yōu)解。利用天牛須搜索算法（BAS）改進卷積神經(jīng)網(wǎng)絡,在池化層改變池化方式并將其應用到球團礦焙燒制度的最佳推薦上,以模型的最終輸出特征圖為研究結果,利用這些特征來連接球團的冶金性能和焙燒制度。首先,文章介紹了卷積神經(jīng)網(wǎng)絡的框架和理論知識,從網(wǎng)絡結構、網(wǎng)絡深度和卷積核選取三方面闡述了網(wǎng)絡的內(nèi)部機理,并且將天牛須算法植入到了池化層中。天牛須算法利用無約束的帶罰函數(shù)作為適應度函數(shù),根據(jù)天牛須算法的特點,對池化層的池化方式做出智能選擇,完成了對卷積神經(jīng)網(wǎng)絡的改進。其次,采用1000組樣本數(shù)據(jù),對原始網(wǎng)絡和改進網(wǎng)絡同時進行訓練和測試,訓練樣本數(shù)量與測試樣本數(shù)量比例為7:3。測試階段將測試數(shù)據(jù)重復進行了五次,模型測試結果對于識別精度和收斂速度做了說明。五次模型的測試值的平均值來表示最終識別精度值:原始模型平均識別精度為97.27%;改進的模型平均精度值為98.874%。從數(shù)據(jù)上來看,改進模型精度比原始模型精度提高不到兩個百分點,但是前者避免了過擬合現(xiàn)象,收斂速度相比于后者在樣本容量為150左右表現(xiàn)出快速收斂。最后,... 

【文章來源】：華北理工大學河北省

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
引言
第1章 緒論
    1.1 CNN簡介
    1.2 球團礦焙燒影響因素
        1.2.1 球團礦以及焙燒工藝
        1.2.2 影響球團冶金性能的焙燒因素
    1.3 國內(nèi)外研究現(xiàn)狀
    1.4 論文主要研究內(nèi)容和結構
        1.4.1 主要研究內(nèi)容
        1.4.2 文章結構
第2章 理論分析
    2.1 CNN
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 全連接層
        2.1.4 特征面
        2.1.5 卷積核的選取
        2.1.6 與傳統(tǒng)模式識別算法比較
    2.2 球團礦相模式識別
        2.2.1 球團礦相
        2.2.2 球團礦相模式識別
    2.3 本章小結
第3章 卷積神經(jīng)網(wǎng)絡算法改進
    3.1 兩種池化方法
    3.2 天牛須算法
    3.3 改進的卷積神經(jīng)網(wǎng)絡
    3.4 本章小結
第4章 CNN智能推薦模型的訓練和測試
    4.1 樣本集構建
        4.1.1 實驗樣本集構建
        4.1.2 參數(shù)樣本集構建
    4.2 利用實驗樣本集測試卷積神經(jīng)網(wǎng)絡
        4.2.1 利用實驗樣本訓練原始神經(jīng)網(wǎng)絡
        4.2.2 利用實驗樣本測試改進的卷積神經(jīng)網(wǎng)絡
    4.3 仿真實驗結果
    4.4 本章小結
第5章 智能推薦模型在焙燒制度中的仿真應用
    5.1 數(shù)據(jù)預處理
    5.2 最佳焙燒制度推薦
    5.3 本章小結
結論
參考文獻
致謝
導師簡介
作者簡介
學位論文數(shù)據(jù)集


【參考文獻】：
期刊論文
[1]基于天牛須搜索的全變分最小化算法在計算機斷層成像內(nèi)重建中的應用[J]. 孔慧華,孫英博,張雁霞.  激光與光電子學進展. 2019(21)
[2]基于密集連接空洞卷積神經(jīng)網(wǎng)絡的青藏地區(qū)云雪圖像分類[J]. 曹輝,翁理國,張德正.  計算機測量與控制. 2019(09)
[3]多層感知器深度卷積生成對抗網(wǎng)絡[J]. 王格格,郭濤,李貴洋.  計算機科學. 2019(09)
[4]基于卷積神經(jīng)網(wǎng)絡的圖像分類研究[J]. 龐絲絲,黃呈鋮.  現(xiàn)代計算機. 2019(23)
[5]基于卷積神經(jīng)網(wǎng)絡和重排序的農(nóng)業(yè)遙感圖像檢索[J]. 葉發(fā)茂,董萌,羅威,肖慧,趙旭青,閔衛(wèi)東.  農(nóng)業(yè)工程學報. 2019(15)
[6]基于深度監(jiān)督全卷積神經(jīng)網(wǎng)絡的MRI腦圖像語義分割算法[J]. 黃星奕,丘子明,許燕.  北京生物醫(yī)學工程. 2019(03)
[7]基于微觀技術的鎂質(zhì)熔劑性球團礦相研究[J]. 邢宏偉,劉振超,程菲雨,田鐵磊,張玉柱,任承然.  礦產(chǎn)綜合利用. 2019(02)
[8]卷積神經(jīng)網(wǎng)絡的發(fā)展及其在計算機視覺領域中的應用綜述[J]. 陳超,齊峰.  計算機科學. 2019(03)
[9]基于天牛須優(yōu)化算法的圖像分割[J]. 李桃,侯紅英.  計算機產(chǎn)品與流通. 2019(03)
[10]基于天牛須搜索的粒子群優(yōu)化算法求解投資組合問題[J]. 陳婷婷,殷賀,江紅莉,王露.  計算機系統(tǒng)應用. 2019(02)

博士論文
[1]融合領域知識的心電圖分類方法研究[D]. 王麗蘋.華東師范大學 2013

碩士論文
[1]球團礦冶金性能預測的SVM改進模型研究[D]. 韓陽.華北理工大學 2018
[2]熔劑性赤鐵礦球團焙燒特性及高爐還原行為研究[D]. 張金良.中南大學 2012



本文編號：3196556