本文關(guān)鍵詞：極限學(xué)習(xí)機(jī)與自動(dòng)編碼器的融合算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：圖像識(shí)別是人工智能的一個(gè)重要研究領(lǐng)域。近些年來(lái),隨著互聯(lián)網(wǎng)當(dāng)中圖片數(shù)量的迅速增長(zhǎng),圖像識(shí)別技術(shù)也受到了越來(lái)越多的關(guān)注。在圖像識(shí)別領(lǐng)域中,對(duì)分類器的研究十分重要,分類器性能的好壞往往決定著一個(gè)實(shí)際應(yīng)用的成功與否。在當(dāng)今互聯(lián)網(wǎng)大數(shù)據(jù)的時(shí)代背景下,深度學(xué)習(xí)的出現(xiàn)引起了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注,也掀起了人們對(duì)深度學(xué)習(xí)理論及其應(yīng)用的研究熱潮。深度學(xué)習(xí)能夠模仿人腦的內(nèi)部結(jié)構(gòu),學(xué)習(xí)不同的知識(shí),有效地解決多類復(fù)雜的智能問(wèn)題。深度學(xué)習(xí)的多種算法已經(jīng)被廣泛的應(yīng)用在各個(gè)研究領(lǐng)域。極限學(xué)習(xí)機(jī)是從單隱層的神經(jīng)網(wǎng)絡(luò)發(fā)展而來(lái),具有簡(jiǎn)單有效、訓(xùn)練參數(shù)少和良好泛化性能等特點(diǎn)。它的出現(xiàn)解決了傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)參數(shù)過(guò)程相對(duì)繁瑣的問(wèn)題。之后,增量極限學(xué)習(xí)機(jī)、正則化極限學(xué)習(xí)機(jī)和核極限學(xué)習(xí)機(jī)等極限學(xué)習(xí)機(jī)的改進(jìn)算法相繼被提出,目前,國(guó)內(nèi)外越來(lái)越多的科研人員將研究重心轉(zhuǎn)移到了極限學(xué)習(xí)機(jī)的理論和應(yīng)用研究當(dāng)中。本文使用稀疏自動(dòng)編碼器與極限學(xué)習(xí)機(jī)和核極限學(xué)習(xí)機(jī)進(jìn)行組合提出了兩種具有深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的算法模型并將其應(yīng)用在圖像識(shí)別任務(wù)當(dāng)中。兩種算法模型分別是:棧式稀疏自動(dòng)編碼器-極限學(xué)習(xí)機(jī)和棧式稀疏自動(dòng)編碼器-核極限學(xué)習(xí)機(jī),我們使用深度學(xué)習(xí)當(dāng)中的特征學(xué)習(xí)方法去訓(xùn)練稀疏自動(dòng)編碼器組成棧式稀疏自動(dòng)編碼器,多層的稀疏自動(dòng)編碼器能夠?qū)υ驾斎霐?shù)據(jù)進(jìn)行特征學(xué)習(xí),極限學(xué)習(xí)機(jī)和核極限學(xué)習(xí)機(jī)則用來(lái)對(duì)經(jīng)過(guò)特征學(xué)習(xí)的數(shù)據(jù)表示進(jìn)行識(shí)別分類。為了驗(yàn)證提出算法的性能,我們分別將兩種算法在三個(gè)圖像數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果證明,本文提出的算法模型結(jié)果不僅優(yōu)于具有淺層結(jié)構(gòu)的支持向量機(jī)、極限學(xué)習(xí)機(jī)和核極限學(xué)習(xí)機(jī)算法模型,而且還優(yōu)于具有深層結(jié)構(gòu)的棧式自動(dòng)編碼器、深度置信網(wǎng)絡(luò)和棧式去噪自動(dòng)編碼器算法模型。
【關(guān)鍵詞】：深度學(xué)習(xí) 極限學(xué)習(xí)機(jī) 稀疏自動(dòng)編碼器 圖像識(shí)別
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP181;TP391.41
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-15
• 1.1 引言9
• 1.2 深度學(xué)習(xí)9-12
• 1.2.1 研究背景9-11
• 1.2.2 學(xué)習(xí)方法11-12
• 1.3 極限學(xué)習(xí)機(jī)12-13
• 1.4 本文的主要工作13-15
• 第2章 算法基礎(chǔ)理論15-31
• 2.1 稀疏自編碼器15-21
• 2.1.1 人工神經(jīng)網(wǎng)絡(luò)15-16
• 2.1.2 梯度下降和后向傳播16-18
• 2.1.3 自動(dòng)編碼器18-19
• 2.1.4 稀疏自編碼器19-21
• 2.2 支持向量機(jī)21-22
• 2.3 極限學(xué)習(xí)機(jī)22-26
• 2.3.1 極限學(xué)習(xí)機(jī)22-24
• 2.3.2 核極限學(xué)習(xí)機(jī)24-26
• 2.5 深度學(xué)習(xí)算法模型介紹26-30
• 2.5.1 棧式自動(dòng)編碼器26-27
• 2.5.2 棧式去噪自動(dòng)編碼器27
• 2.5.3 深度置信網(wǎng)絡(luò)27-30
• 2.6 本章小結(jié)30-31
• 第3章 基于無(wú)監(jiān)督特征學(xué)習(xí)的極限學(xué)習(xí)機(jī)算法改進(jìn)31-35
• 3.1 棧式稀疏自動(dòng)編碼器-極限學(xué)習(xí)機(jī)32-33
• 3.2 棧式稀疏自動(dòng)編碼器-核極限學(xué)習(xí)機(jī)33-34
• 3.3 本章小結(jié)34-35
• 第4章 實(shí)驗(yàn)介紹與結(jié)果分析35-49
• 4.1 實(shí)驗(yàn)數(shù)據(jù)集35-37
• 4.2 實(shí)驗(yàn)說(shuō)明和參數(shù)選取37-38
• 4.3 實(shí)驗(yàn)結(jié)果與分析38-48
• 4.3.1 ELM和SSAE-ELM的實(shí)驗(yàn)結(jié)果和分析38-43
• 4.3.2 KELM和SSAE-KELM的實(shí)驗(yàn)結(jié)果和分析43-44
• 4.3.3 SSAE-ELM和SSAE-KELM的結(jié)果比較44-46
• 4.3.4 不同算法模型之間的結(jié)果比較46-48
• 4.4 本章小結(jié)48-49
• 第5章 總結(jié)與展望49-51
• 5.1 研究總結(jié)49
• 5.2 未來(lái)工作49-51
• 參考文獻(xiàn)51-54
• 致謝54

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前4條

1 曲建嶺;杜辰飛;邸亞洲;高峰;郭超然;;深度自動(dòng)編碼器的研究與展望[J];計(jì)算機(jī)與現(xiàn)代化;2014年08期

2 秦勝君;盧志平;;基于降噪自動(dòng)編碼器的不平衡情感分類研究[J];科學(xué)技術(shù)與工程;2014年12期

3 段寶彬;韓立新;;改進(jìn)的深度卷積網(wǎng)絡(luò)及在碎紙片拼接中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2014年09期

4 ;[J];;年期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前4條

1 梁湘群;基于Gabor特征與深度自動(dòng)編碼器的笑臉識(shí)別方法[D];五邑大學(xué);2015年

2 吳海燕;基于自動(dòng)編碼器的半監(jiān)督表示學(xué)習(xí)與分類學(xué)習(xí)研究[D];重慶大學(xué);2015年

3 林雨;極限學(xué)習(xí)機(jī)與自動(dòng)編碼器的融合算法研究[D];吉林大學(xué);2016年

4 雒玉璽;稀疏自動(dòng)編碼器及其加速算法的研究[D];蘭州大學(xué);2014年

  本文關(guān)鍵詞：極限學(xué)習(xí)機(jī)與自動(dòng)編碼器的融合算法研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：347095