卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)可以學(xué)習(xí)圖像隱性特征,具有強(qiáng)大的自學(xué)習(xí)能力,在圖像識(shí)別領(lǐng)域取得了優(yōu)異的成績(jī),而深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展為圖像識(shí)別領(lǐng)域帶來(lái)了深刻的變革,它可以提取到更深度的人們無(wú)法理解的特征而進(jìn)一步提高了圖像識(shí)別的準(zhǔn)確率。然而隨著網(wǎng)絡(luò)層數(shù)的加深,網(wǎng)絡(luò)的訓(xùn)練也隨之遇到很多問(wèn)題。首先是目前仍然沒(méi)有完善的數(shù)學(xué)理論指導(dǎo)模型結(jié)構(gòu)的設(shè)計(jì),其次是在網(wǎng)絡(luò)訓(xùn)練過(guò)程中采用的優(yōu)化算法存在缺陷,兩者直接關(guān)系到網(wǎng)絡(luò)模型的訓(xùn)練速度和模型在測(cè)試集上的準(zhǔn)確率。本文將針對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)的模型和反向傳播優(yōu)化算法進(jìn)行研究,建立一個(gè)簡(jiǎn)單高效的深度卷積神經(jīng)網(wǎng)絡(luò)模型。本文首先在VGGNet網(wǎng)絡(luò)模型基礎(chǔ)上,用全卷積取代了原網(wǎng)絡(luò)后三層的全連接,同時(shí)增加了一個(gè)卷積層并適當(dāng)調(diào)整了網(wǎng)絡(luò)參數(shù),設(shè)計(jì)了改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)FC-VGGNet-plus(Fully Convolutional VGGNet plus)模型架構(gòu),加快了網(wǎng)絡(luò)的訓(xùn)練速度,在CIFAR-10數(shù)據(jù)集上每次迭代時(shí)間平均縮短了0.13秒,同時(shí)在測(cè)試集上的準(zhǔn)確率也有一定提升,在同樣的設(shè)備條件和迭代次數(shù)下準(zhǔn)確率從82.3...

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)研究現(xiàn)狀
        1.2.2 卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化算法研究現(xiàn)狀
    1.3 本文主要工作
    1.4 本文組織結(jié)構(gòu)
第2章 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及優(yōu)化算法
    2.1 卷積神經(jīng)網(wǎng)絡(luò)概述
        2.1.1 卷積原理
        2.1.2 降采樣原理
    2.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.1 感知機(jī)單元
        2.2.2 多層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    2.3 反向傳播梯度下降算法
    2.4 梯度下降算法的改進(jìn)算法
        2.4.1 隨機(jī)梯度下降算法SGD
        2.4.2 基于Momentum的隨機(jī)梯度下降算法
    2.5 本章小結(jié)
第3章 改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)FC-VGGNet-plus
    3.1 深度卷積神經(jīng)網(wǎng)絡(luò)模型架構(gòu)
        3.1.1 VGGNet網(wǎng)絡(luò)模型
        3.1.2 VGGNet參數(shù)配置
    3.2 改進(jìn)的全卷積FC-VGGNet-plus模型
        3.2.1 FC-VGGNet-plus結(jié)構(gòu)設(shè)計(jì)
        3.2.2 FC-VGGNet-plus模型參數(shù)選擇
    3.3 仿真實(shí)驗(yàn)與結(jié)果分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)集選擇
        3.3.2 實(shí)驗(yàn)結(jié)果分析
    3.4 本章小結(jié)
第4章 基于群優(yōu)化算法的卷積神經(jīng)網(wǎng)絡(luò)
    4.1 粒子群算法
    4.2 變權(quán)重粒子群算法
    4.3 結(jié)合變權(quán)重粒子群算法的CNN優(yōu)化算法PSO-CNN
        4.3.1 粒子群優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)算法原理
        4.3.2 基于PSO-CNN算法的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程
    4.4 仿真實(shí)驗(yàn)與結(jié)果分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)集選擇
        4.4.2 實(shí)驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
第5章 基于PSO-CNN的FC-VGGNet-plus圖像識(shí)別設(shè)計(jì)
    5.1 構(gòu)建基于PSO-CNN的全卷積網(wǎng)絡(luò)
        5.1.1 網(wǎng)絡(luò)訓(xùn)練模式
        5.1.2 圖像識(shí)別系統(tǒng)設(shè)計(jì)
    5.2 仿真環(huán)境及實(shí)驗(yàn)設(shè)計(jì)
        5.2.1 仿真環(huán)境介紹
        5.2.2 實(shí)驗(yàn)方案
    5.3 實(shí)驗(yàn)結(jié)果分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
作者簡(jiǎn)介及參與的科研項(xiàng)目
致謝



本文編號(hào)：3797174