基于改进支持向量机的卷积神经网络图像识别方法研究

发布时间：2025-04-23 04:07

　　随着互联网技术的不断发展,图像信息呈现几何式增长,如何从大量的数据中快速而准确的提取出有效的图像特征从而进行图像识别成为人们需要解决的难题。图像识别实时性和识别精度的优劣取决于图像特征提取程度。卷积神经网络是近年发展起来并且受到专家学者广泛重视的识别方法,卷积神经网络的多层网络结构可以提取到图像更抽象的特征,利用更丰富的图像特征进行图像识别。本文在学习和分析现有图像识别方法和卷积神经网络算法的基础上,将直接支持向量机、孪生支持向量机以及蚁群算法引入到卷积神经网络架构中,进一步开展了卷积神经网络算法在图像识别实现上的应用研究,以期获得更好的识别实时性或精度。针对基于支持向量机的卷积神经网络（Convolutional Neural Networks Based on Support Vector Machine,CNN-SVM）算法在图像识别过程中,采用SVM进行训练和分类时间较长的问题,提出基于直接支持向量机的卷积神经网络（Convolutional Neural Networks Based on Direct Support Vector Machine,CNN-DSVM）图像识别算...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 图像识别方法
        1.2.2 支持向量机方法
        1.2.3 卷积神经网络方法
    1.3 论文研究内容和结构安排
2 基础知识
    2.1 引言
    2.2 基于卷积神经网络的图像识别实现机理
        2.2.1 卷积神经网络的结构及前向传播
        2.2.2 卷积神经网络的反向传播
    2.3 基于支持向量机的图像识别实现机理
    2.4 小结
3 基于DSVM的卷积神经网络图像识别
    3.1 引言
    3.2 直接支持向量机
    3.3 算法实现和流程
    3.4 仿真实验与分析
        3.4.1 GTSRB数据库
        3.4.2 YaleB数据库
    3.5 小结
4 基于ACO-TWSVM的卷积神经网络图像识别
    4.1 引言
    4.2 蚁群算法
    4.3 TWSVM算法
    4.4 ACO-TWSVM算法
    4.5 算法设计与实现
    4.6 仿真实验与分析
        4.6.1 CASIAWebFace数据库
        4.6.2 dogs_vs_cats数据库
    4.7 小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读学位期间的科研成果



本文编号：4041194