深度網(wǎng)絡(luò)模型構(gòu)建及學(xué)習(xí)算法研究.pdf

1、深度學(xué)習(xí)(Deep Learning)作為機器學(xué)習(xí)研究中的一個新的領(lǐng)域，對于人工智能技術(shù)的發(fā)展擁有前所未有的重要性，它以云計算對大數(shù)據(jù)的并行處理能力和算法為基礎(chǔ)，構(gòu)建一個更加貼近于人腦思維方式的學(xué)習(xí)網(wǎng)絡(luò)，使計算機找到如何處理“抽象概念”的方法，使計算機更加智能。作為一種基于無監(jiān)督特征學(xué)習(xí)和特征層次結(jié)構(gòu)學(xué)習(xí)的方法，深度網(wǎng)絡(luò)擬在模擬人腦的思維機制來解釋數(shù)據(jù)，構(gòu)建模擬人腦進行分析和學(xué)習(xí)的深層次神經(jīng)網(wǎng)絡(luò)模型，通過組合底層特征形成更抽象的高級特征

2、來表達事物的屬性，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表達。
　　深度學(xué)習(xí)的兩個核心內(nèi)容，一是對網(wǎng)絡(luò)的合理構(gòu)建，二是網(wǎng)絡(luò)的有效學(xué)習(xí)，因此，對于深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建和學(xué)習(xí)算法的研究尤為重要。針對這一有意義的課題，本文進行了深入的分析和研究，并將構(gòu)建的深度網(wǎng)絡(luò)用于極化SAR影像地物分類的應(yīng)用上，取得了良好的效果。主要工作和研究成果如下：
　　(1)構(gòu)建了混沌模擬退火自編碼網(wǎng)絡(luò)和混沌模擬退火深度小波網(wǎng)絡(luò)，并提出了一種基于模擬退火的深度網(wǎng)絡(luò)學(xué)習(xí)算法。

3、在網(wǎng)絡(luò)的構(gòu)建中，充分應(yīng)用自編碼原理和小波分析理論，構(gòu)建自編碼網(wǎng)絡(luò)和小波域分析下的深度小波網(wǎng)絡(luò)。在網(wǎng)絡(luò)的學(xué)習(xí)算法實現(xiàn)中，本文將模擬退火思想引入深度網(wǎng)絡(luò)的權(quán)值優(yōu)化部分，解決了傳統(tǒng)方法優(yōu)化網(wǎng)絡(luò)時容易陷入局部最優(yōu)的問題；并在上述算法的基礎(chǔ)上引入混沌模型，解決了模擬退火算法收斂速度過慢的問題，實現(xiàn)了全局搜索的快速尋找。該算法分類精度高，大大縮短了網(wǎng)絡(luò)的訓(xùn)練時間，取得了突破性的進展。
　　(2)構(gòu)建了知識自編碼網(wǎng)絡(luò)和知識深度小波網(wǎng)絡(luò)，在現(xiàn)有自

4、編碼網(wǎng)絡(luò)和深度小波網(wǎng)絡(luò)模型基礎(chǔ)上引入知識表示和應(yīng)用的概念，構(gòu)建基于知識的深度網(wǎng)絡(luò)。由網(wǎng)絡(luò)自動提取原始數(shù)據(jù)的高級特征表達原始數(shù)據(jù)，并將極化SAR數(shù)據(jù)特有的Wishart概念作為知識層引入網(wǎng)絡(luò)，通過前式優(yōu)先和顯著性優(yōu)先的原則充分利用知識層的先驗知識提高了網(wǎng)絡(luò)的分類精度。該算法解決了傳統(tǒng)方法中對于極化SAR影像分類時精度較低的問題，實現(xiàn)深度網(wǎng)絡(luò)模型的合理構(gòu)建。
　　(3)將進化算法PSO全局搜索的思想引入深度網(wǎng)絡(luò)的權(quán)值尋優(yōu)過程中，以PS