隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,圖像信息呈現(xiàn)幾何式增長(zhǎng),如何從大量的數(shù)據(jù)中快速而準(zhǔn)確的提取出有效的圖像特征從而進(jìn)行圖像識(shí)別成為人們需要解決的難題。圖像識(shí)別實(shí)時(shí)性和識(shí)別精度的優(yōu)劣取決于圖像特征提取程度。卷積神經(jīng)網(wǎng)絡(luò)是近年發(fā)展起來(lái)并且受到專家學(xué)者廣泛重視的識(shí)別方法,卷積神經(jīng)網(wǎng)絡(luò)的多層網(wǎng)絡(luò)結(jié)構(gòu)可以提取到圖像更抽象的特征,利用更豐富的圖像特征進(jìn)行圖像識(shí)別。本文在學(xué)習(xí)和分析現(xiàn)有圖像識(shí)別方法和卷積神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上,將直接支持向量機(jī)、孿生支持向量機(jī)以及蟻群算法引入到卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)中,進(jìn)一步開(kāi)展了卷積神經(jīng)網(wǎng)絡(luò)算法在圖像識(shí)別實(shí)現(xiàn)上的應(yīng)用研究,以期獲得更好的識(shí)別實(shí)時(shí)性或精度。針對(duì)基于支持向量機(jī)的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks Based on Support Vector Machine,CNN-SVM）算法在圖像識(shí)別過(guò)程中,采用SVM進(jìn)行訓(xùn)練和分類時(shí)間較長(zhǎng)的問(wèn)題,提出基于直接支持向量機(jī)的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks Based on Direct Support Vector Machine,CNN-DSVM）圖像識(shí)別算...

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 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 圖像識(shí)別方法
        1.2.2 支持向量機(jī)方法
        1.2.3 卷積神經(jīng)網(wǎng)絡(luò)方法
    1.3 論文研究?jī)?nèi)容和結(jié)構(gòu)安排
2 基礎(chǔ)知識(shí)
    2.1 引言
    2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別實(shí)現(xiàn)機(jī)理
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及前向傳播
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)的反向傳播
    2.3 基于支持向量機(jī)的圖像識(shí)別實(shí)現(xiàn)機(jī)理
    2.4 小結(jié)
3 基于DSVM的卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別
    3.1 引言
    3.2 直接支持向量機(jī)
    3.3 算法實(shí)現(xiàn)和流程
    3.4 仿真實(shí)驗(yàn)與分析
        3.4.1 GTSRB數(shù)據(jù)庫(kù)
        3.4.2 YaleB數(shù)據(jù)庫(kù)
    3.5 小結(jié)
4 基于ACO-TWSVM的卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別
    4.1 引言
    4.2 蟻群算法
    4.3 TWSVM算法
    4.4 ACO-TWSVM算法
    4.5 算法設(shè)計(jì)與實(shí)現(xiàn)
    4.6 仿真實(shí)驗(yàn)與分析
        4.6.1 CASIAWebFace數(shù)據(jù)庫(kù)
        4.6.2 dogs_vs_cats數(shù)據(jù)庫(kù)
    4.7 小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間的科研成果



本文編號(hào)：4041194