資源描述:
《深度學(xué)習(xí)算法研究及其在圖像分類上的應(yīng)用》由會(huì)員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、單位代碼:10293密級(jí);公開(kāi)碩女#隹化AW,'-,I-論文題目:深度學(xué)習(xí)算法研究及其在圖像分類上的應(yīng)用.、'.’■r'二,..r、’.?.二,’;;'式.V為,’>■..一1013041224詩(shī)學(xué)號(hào)^‘、至曜.姓名,3,.:'程春玲"導(dǎo)師.,.,I'.。計(jì)算機(jī)應(yīng)用技術(shù),學(xué)科專業(yè)分布式計(jì)算技術(shù)與應(yīng)屆_硏究方向_\又;工學(xué)碩主"氣申請(qǐng)學(xué)位類別讀..古"二零一六年四月巧論文提交日期/賽
2、^1..呼遽?。崳姟觯崳姟牐?;'.':織南京郵電大學(xué)學(xué)位論文原創(chuàng)性聲明本人盧W所M交的學(xué)位論文1:>V:巧個(gè)人化巧師巧計(jì)下進(jìn)行的研究作巧化得的研化成果。':盡巧所知,除/文小特別加U標(biāo)注和致謝的地方外,論文中不佔(zhàn);化他人經(jīng)發(fā)灰或撰J過(guò)的硏究成災(zāi),也不包含為獲得賄成郵電人義或其它巧育機(jī)構(gòu)的巧化誠(chéng)證書(shū)郵使州過(guò)的材料。-W獻(xiàn)均己化論義與我化的問(wèn)山對(duì)本研宛所做的任何中作/明備的說(shuō)明并龍?。x總。一。本人學(xué)化論文及巧及和災(zāi)資料打有不丈,底總承祖切相關(guān)的法律貴化、研化小'年.簽名;:因期
3、、南京郵電大學(xué)學(xué)位論文使用授權(quán)聲明本人校權(quán)聞如郵化乂巧可保留并向?qū)已a(bǔ)關(guān)部n或機(jī)構(gòu)送交論義的貸印件和化丫義檔;允許論文被巧閱和償閱;可W將學(xué)伉論文的全部或部分內(nèi)蔣編入村關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索;'可^心采用影印、縮印或婦描等紀(jì)制手段保存、匯編本學(xué)位論文。本文化了文檔的內(nèi)容和紙質(zhì)--論文的內(nèi)容相致。論義的公化(包巧刊登)授權(quán)南京郵電大學(xué)研充化院辦理。涉密學(xué)位論義在解密后適W本授權(quán)書(shū)。硏究生簽軒:至磅導(dǎo)師簽名:「]期:TheResearchonDeepLearningalgorithmandits
4、applicationinImageClassificationThesisSubmittedtoNanjingUniversityofPostsandTelecommunicationsfortheDegreeofMasterofMasterofEngineeringByShuWangSupervisor:Prof.ChunlingChengApril2016摘要近年來(lái),深度學(xué)習(xí)(DeepLearning,DL)的研究日益受到人們的廣泛關(guān)注。與傳統(tǒng)的淺層網(wǎng)絡(luò)模型相比,深度學(xué)習(xí)模型的多層網(wǎng)絡(luò)結(jié)構(gòu)能夠更加有效地表達(dá)復(fù)雜函
5、數(shù),從而學(xué)習(xí)到表征能力更強(qiáng)的特征,將深度學(xué)習(xí)應(yīng)用到圖像的分類中,可以有效地提高分類的精度。然而,深度學(xué)習(xí)在實(shí)際應(yīng)用中仍然面臨著嚴(yán)峻的挑戰(zhàn):深度學(xué)習(xí)的重要基礎(chǔ)單元模型——受限玻爾茲曼機(jī)(RestrictedBoltzmannMachine,RBM)在訓(xùn)練過(guò)程中,存在計(jì)算復(fù)雜度高、模型對(duì)訓(xùn)練數(shù)據(jù)的似然度不夠高等問(wèn)題,導(dǎo)致深度學(xué)習(xí)模型訓(xùn)練時(shí)間較長(zhǎng)。本文以深度學(xué)習(xí)算法為研究?jī)?nèi)容,以基于深層網(wǎng)絡(luò)模型的圖像分類方法為研究目標(biāo),主要作了以下幾方面的工作:(1)介紹本文的課題背景和研究意義,闡述深度學(xué)習(xí)的發(fā)展歷程、深度學(xué)習(xí)的基本結(jié)構(gòu)單
6、元以及深度學(xué)習(xí)常用的深度模型等相關(guān)技術(shù),調(diào)研并分析國(guó)內(nèi)外關(guān)于深度學(xué)習(xí)應(yīng)用的研究發(fā)展現(xiàn)狀,對(duì)RBM現(xiàn)存的問(wèn)題進(jìn)行分析。(2)針對(duì)受限玻爾茲曼機(jī)訓(xùn)練時(shí)傳統(tǒng)學(xué)習(xí)率的收斂速度慢的問(wèn)題,提出一種基于Kaiser窗的受限玻爾茲曼機(jī)自適應(yīng)學(xué)習(xí)率調(diào)整算法,利用Kaiser窗可以自由選擇主瓣寬度和旁瓣高度之間比重的特性以及訓(xùn)練過(guò)程中誤差增量的變化給出學(xué)習(xí)率自適應(yīng)變化公式,并設(shè)置誤差控制因子和慣性因子,從而更有效地自適應(yīng)調(diào)整學(xué)習(xí)率。仿真結(jié)果表明,基于Kaiser窗的受限玻爾茲曼機(jī)學(xué)習(xí)率調(diào)整算法,可以顯著提高受限玻爾茲曼機(jī)的收斂速度和學(xué)習(xí)能
7、力。(3)針對(duì)受限玻爾茲曼機(jī)訓(xùn)練時(shí)歸一化參數(shù)的高計(jì)算復(fù)雜度問(wèn)題,提出一種基于交替迭代算法的改進(jìn)受限玻爾茲曼機(jī),利用交替迭代算法將模型分布參數(shù)和歸一化參數(shù)交替進(jìn)行計(jì)算,通過(guò)反復(fù)迭代直至收斂來(lái)求得受限玻爾茲曼機(jī)的模型分布參數(shù),同時(shí)設(shè)置相應(yīng)的閾值來(lái)保證收斂速度。仿真結(jié)果表明,相較于并行回火、持續(xù)對(duì)比散度等算法訓(xùn)練得到的RBM模型,基于交替迭代算法的改進(jìn)受限玻爾茲曼機(jī)對(duì)訓(xùn)練數(shù)據(jù)具有更高的似然度。(4)針對(duì)淺層模型無(wú)法有效地表達(dá)圖像多層語(yǔ)義特征的問(wèn)題,將深度學(xué)習(xí)算法應(yīng)用于圖像分類中,提出一種基于多層RBM網(wǎng)絡(luò)的圖像分類方法。同時(shí)
8、,在多層RBM網(wǎng)絡(luò)中引入數(shù)據(jù)加入噪聲的過(guò)程和特征池化過(guò)程,避免算法對(duì)訓(xùn)練數(shù)據(jù)的過(guò)擬合,提高算法的泛化能力和魯棒性。仿真結(jié)果表明,相較于深度信念網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)以及稀疏編碼等圖像分類方法,基于多層RBM網(wǎng)絡(luò)的圖像分類方法提高了圖像分類的精確度的同時(shí),增加了模型泛化性和魯棒性。關(guān)鍵詞:深度學(xué)習(xí),受限玻爾茲曼機(jī),自適應(yīng)學(xué)習(xí)率,交替迭代