基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)算法的研究與應(yīng)用.pdf

1、卷積神經(jīng)網(wǎng)絡(luò)是一種結(jié)合人工神經(jīng)網(wǎng)絡(luò)以及深度學(xué)習(xí)技術(shù)的新型神經(jīng)網(wǎng)絡(luò)，它是首個(gè)真正意義上能夠成功訓(xùn)練多個(gè)層次網(wǎng)絡(luò)的結(jié)構(gòu)模型。卷積神經(jīng)網(wǎng)絡(luò)是為識(shí)別二維圖像專門特殊設(shè)計(jì)的一個(gè)多層感知器，其具備良好的自學(xué)能力、容錯(cuò)能力，對(duì)平移、縮放、傾斜或者其他形式的變形具有高度不變性。本文以傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，提出以下三種改進(jìn)的算法模型：
　　1.本文提出基于加權(quán)Fisher準(zhǔn)則的卷積神經(jīng)網(wǎng)絡(luò)算法模型。該算法主要對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的代價(jià)函數(shù)做了改進(jìn)

2、，在最小平方誤差代價(jià)函數(shù)的基礎(chǔ)上引入加權(quán)Fisher準(zhǔn)則，其主要目的在于保證圖像實(shí)際輸出值和圖像樣本標(biāo)簽之間的殘差最小的同時(shí)，使得同類樣本間的距離越近越好，異類樣本間的距離越遠(yuǎn)越好。
　　2.本文提出基于改進(jìn)激活函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)算法模型。該算法主要對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)做了改進(jìn)，結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)目前使用最為廣泛的非線性激活函數(shù)ReLUs函數(shù)的稀疏特性以及Softplus函數(shù)光滑特性。此外，針對(duì)將改進(jìn)后的激活函數(shù)作為卷積神

3、經(jīng)網(wǎng)絡(luò)所有層的激活函數(shù)可能會(huì)帶來圖像信息因過于稀疏從而導(dǎo)致信息嚴(yán)重缺失的問題，提出兩種結(jié)構(gòu)并加以比較。
　　3.本文提出基于改進(jìn)Gabor濾波器的卷積神經(jīng)網(wǎng)絡(luò)算法模型。該算法首先對(duì)傳統(tǒng)的Gabor濾波器進(jìn)行改進(jìn)，引入曲度系數(shù)概念，使得改進(jìn)后的Gabor濾波器在具備良好的方向和尺度特性的同時(shí)兼具良好的局部曲率響應(yīng)特性；其次將輸入圖像和改進(jìn)后的Gabor濾波器卷積，將得到的圖像多個(gè)方向的特征取代原始圖像作為卷積神經(jīng)網(wǎng)絡(luò)新的輸入。