近年來(lái),人工智能技術(shù)在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、圖像分類(lèi)與識(shí)別和智能機(jī)器人等各個(gè)領(lǐng)域中得到了廣泛應(yīng)用,神經(jīng)網(wǎng)絡(luò)與進(jìn)化算法作為人工智能技術(shù)的兩個(gè)重要分支,已在生活各個(gè)應(yīng)用領(lǐng)域發(fā)揮著重要作用。神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行處理能力與強(qiáng)大的學(xué)習(xí)能力,因此可以處理復(fù)雜模型的實(shí)際工程問(wèn)題,然而卻存在模型結(jié)構(gòu)與參數(shù)需要人工調(diào)整耗費(fèi)人力物力的現(xiàn)狀。伴隨著網(wǎng)絡(luò)深度的增加,網(wǎng)絡(luò)性能的提高,使得需要人工設(shè)置的參數(shù)與網(wǎng)絡(luò)結(jié)構(gòu)越來(lái)越復(fù)雜,意味著研究自動(dòng)設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)與調(diào)整參數(shù)的方法變得更為重要。進(jìn)化算法作為一種全局優(yōu)化的智能算法具有并行化處理和高效的特點(diǎn),因此研究者將神經(jīng)網(wǎng)絡(luò)與進(jìn)化算法結(jié)合提出進(jìn)化神經(jīng)網(wǎng)絡(luò)算法。本文針對(duì)進(jìn)化神經(jīng)網(wǎng)絡(luò)算法的細(xì)節(jié)進(jìn)行分析與優(yōu)化,并將其運(yùn)用到圖像分類(lèi)的具體應(yīng)用中,本文的主要研究工作如下:第一,介紹了進(jìn)化神經(jīng)網(wǎng)絡(luò)算法及其相關(guān)知識(shí)與理論,整理總結(jié)了進(jìn)化神經(jīng)網(wǎng)絡(luò)國(guó)內(nèi)外的研究現(xiàn)狀及目前的主要研究方向,并對(duì)增強(qiáng)拓?fù)涞倪M(jìn)化神經(jīng)網(wǎng)絡(luò)與基于深度學(xué)習(xí)的進(jìn)化神經(jīng)網(wǎng)絡(luò)兩種進(jìn)化神經(jīng)網(wǎng)絡(luò)進(jìn)行詳細(xì)介紹。第二,本文針對(duì)深度進(jìn)化神經(jīng)網(wǎng)絡(luò)做出了細(xì)節(jié)性改進(jìn),提出了一種用于圖像分類(lèi)的進(jìn)化卷積神經(jīng)網(wǎng)絡(luò)ECNN算法,該算法引入ResN... 

【文章來(lái)源】：西北師范大學(xué)甘肅省

【文章頁(yè)數(shù)】：56 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
第2章 相關(guān)理論研究
    2.1 全連接神經(jīng)網(wǎng)絡(luò)
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 全連接層
        2.2.4 批歸一化層
        2.2.5 激活函數(shù)
    2.3 進(jìn)化算法
        2.3.1 遺傳算法
        2.3.2 進(jìn)化策略
    2.4 進(jìn)化神經(jīng)網(wǎng)絡(luò)
        2.4.1 NEAT算法
        2.4.2 基于深度學(xué)習(xí)的進(jìn)化神經(jīng)網(wǎng)絡(luò)算法
第3章 圖像分類(lèi)卷積神經(jīng)網(wǎng)絡(luò)的進(jìn)化設(shè)計(jì)
    3.1 引言
    3.2 圖像分類(lèi)卷積神經(jīng)網(wǎng)絡(luò)的進(jìn)化設(shè)計(jì)
        3.2.1 ResNet模塊
        3.2.2 算法設(shè)計(jì)
    3.3 實(shí)驗(yàn)分析
        3.3.1 實(shí)驗(yàn)設(shè)置
        3.3.2 實(shí)驗(yàn)結(jié)構(gòu)與分析
    3.4 本章小結(jié)
第4章 基于DenseNet進(jìn)化卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)算法
    4.1 引言
    4.2 基于DenseNet進(jìn)化卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)算法
        4.2.1 DenseNet模塊
        4.2.2 算法設(shè)計(jì)
    4.3 實(shí)驗(yàn)分析
        4.3.1 實(shí)驗(yàn)設(shè)置
        4.3.2 實(shí)驗(yàn)結(jié)構(gòu)與分析
    4.4 本章小結(jié)
第5章 總結(jié)展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷、攻讀學(xué)位期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)深度殘差網(wǎng)絡(luò)的計(jì)算斷層掃描圖像分類(lèi)算法[J]. 黃盛,李菲菲,陳虬.  光學(xué)學(xué)報(bào). 2020(03)
[2]基于CNNs的兩次訓(xùn)練融合的分類(lèi)方法[J]. 佟國(guó)香,田飛翔.  電子科技大學(xué)學(xué)報(bào). 2019(05)
[3]基于改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)的紙幣識(shí)別研究[J]. 蓋杉,鮑中運(yùn).  電子與信息學(xué)報(bào). 2019(08)
[4]基于離散余弦變換和深度網(wǎng)絡(luò)的地貌圖像分類(lèi)[J]. 劉芳,路麗霞,黃光偉,王洪娟,王鑫.  光學(xué)學(xué)報(bào). 2018(06)
[5]深度神經(jīng)網(wǎng)絡(luò)并行化研究綜述[J]. 朱虎明,李佩,焦李成,楊淑媛,侯彪.  計(jì)算機(jī)學(xué)報(bào). 2018(08)
[6]結(jié)合批歸一化的直通卷積神經(jīng)網(wǎng)絡(luò)圖像分類(lèi)算法[J]. 朱威,屈景怡,吳仁彪.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2017(09)



本文編號(hào)：3202736