基于优化卷积神经网络的图像识别研究

发布时间：2025-07-01 22:33

　　近年来深度学习技术的研究引起了学术界和工业界的广泛关注,推动了人工智能的快速发展。卷积神经网络作为深度学习研究领域的一个重要分支,因其具有局部感受野、权值共享和下采样的三个特征,在模式识别和图像处理领域取得了突破性的研究进展。然而,无论是在优化网络结构还是处理海量数据集方面,仍然存在很大的研究空间。论文的主要研究内容和创新工作如下:(1)为了提高卷积神经网络对特征提取的精确程度,改善模型对旋转、平移和缩放三种变换的鲁棒性,本文提出了一种自适应加权池化算法。该算法联合最大池化和平均池化的优点,同时将自适应加权掩模融入到汇集操作中,这些掩模可以指示卷积神经网络用于识别图像的重要特征。实验证明,自适应加权池化算法适用于各种图片数据库和网络结构,可以显著的提高网络的分类效果。(2)针对现有激活函数存在的梯度消失问题及负区间神经元坏死现象,本文分析了产生这些现象的原因,提出了一种参数可调节的激活函数Fexp,这种激活函数能够通过适当调整参数,自由缩放梯度,从而减轻了梯度消失问题。经过在MNIST手写数据库和磁片数据集上的实验证明,Fexp函数的提出是可行的,获得了准确率高和收敛速度快等优良性能。(...

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

图2-1卷积操作Figure2-1.Convolutionoperation

图2-1卷积操作Figure2-1.Convolutionoperation激活层活层主要是针对卷积操作后的输出信息进行非线性映射变换。在所算中，每一层的输出和上一层的输入都呈现非线性关系。当没有激，不管神经网络的深度有多深，最开始的输入和最后的输出都是线没有隐藏层是一....

图2-2池化操作Figure2-2.Poolingoperation

图2-2池化操作Figure2-2.Poolingoperation.1.5全连接层全连接层通常出现在卷积神经网络的后面几层。它将卷积-池化层提取到的重新通过全值矩阵拟合，获得完整的特征信息。在卷积神经网络中的最后一积层会采用Flatten操作，将最后输出的特征信....

图2-3全连接层操作

图2-2池化操作Figure2-2.Poolingoperation层层通常出现在卷积神经网络的后面几层。它将卷积-池化层全值矩阵拟合，获得完整的特征信息。在卷积神经网络中用Flatten操作，将最后输出的特征信息采用不同的卷积核平”后的特征值相加以后就会构成全连接....

图2-4卷积神经网络的训练过程

积神经网络的工作原理积神经网络的训练过程一般由两个阶段组成，如图2-4所示。第一个低层次向高层次之间传播，然后得到一个输出结果，即前向传播阶段是，比较前向传播得出的结果与预期输出是否相符，计算误差并底层次相应调整网络中的参数，即反向传播阶段。前向传播和反向工作，直到网络的输出....

本文编号：4054795