基于深度學習的圖像分類的研究.pdf

1、深度學習自提出以來就受到了機器學習領(lǐng)域的矚目。深度學習的提出是為了解決機器學習特征提取中存在的問題。相比于淺層學習模型特征提取依靠手工來進行選擇，深度學習的深層網(wǎng)絡結(jié)構(gòu)可以逐層對數(shù)據(jù)特征進行提取，使得特征更明顯更容易分類。深度學習的最顯著的特點是，它可以把一個復雜的問題拆分成幾個簡單的問題，首先依次解決這些簡單的問題，之后綜合起來解決復雜的問題。深度置信網(wǎng)絡作為深度學習領(lǐng)域應用比較廣泛的網(wǎng)絡模型，是一個多層的網(wǎng)絡結(jié)構(gòu)。通過深度置信網(wǎng)絡當

2、中的多個隱層來對數(shù)據(jù)進行不斷抽象，可以更好地提取到數(shù)據(jù)的本質(zhì)特征。預訓練階段和微調(diào)階段是深度置信網(wǎng)絡訓練過程中起不同作用的兩個階段。預訓練階段采用的是無監(jiān)督學習算法，微調(diào)部分采用的是有監(jiān)督的分類算法。深度置信網(wǎng)絡算法作為深度學習的一種算法，同樣也可以被用于圖像分類中。
　　本研究主要內(nèi)容包括：⑴針對深度置信網(wǎng)絡輸入只能是二值數(shù)值這個特點，引入了高斯伯努利深度置信網(wǎng)絡。并設(shè)計實驗對深度置信網(wǎng)絡、高斯伯努利深度置信網(wǎng)絡的性能與其他分類

3、算法性能進行了對比。⑵針對深度置信網(wǎng)絡預訓練過程中結(jié)點選擇問題，本文提出了基于相似度的結(jié)點選擇方法。深度置信網(wǎng)絡當中結(jié)點選擇的方法沿用了傳統(tǒng)人工神經(jīng)網(wǎng)絡的算法，網(wǎng)絡結(jié)點一旦確定無法更改，也無法保證所有結(jié)點都被充分利用。本文提出的基于相似度的結(jié)點選擇算法對網(wǎng)絡結(jié)點進行重復利用，力求在網(wǎng)絡規(guī)模已被設(shè)定的條件下盡可能充分利用網(wǎng)絡隱層結(jié)點，來提高網(wǎng)絡的準確度。實驗證明結(jié)點選擇算法具有比較好的性能。⑶針對深度置信網(wǎng)絡微調(diào)部分誤差反向傳播算法的不足

4、，提出了基于人工蜂群算法改進的深度置信網(wǎng)絡。由于人工蜂群算法具有全局搜索的特點，本文將人工蜂群算法用于深度置信網(wǎng)絡反向傳播算法的優(yōu)化中，解決了誤差反向傳播算法只能在當前區(qū)域之內(nèi)迭代這個問題。通過誤差反向傳播算法與人工蜂群算法交替迭代，使得網(wǎng)絡擺脫局部極值點搜尋得到全局最優(yōu)點。通過兩個不同容量的數(shù)據(jù)庫來進行驗證。實驗結(jié)果表明，本文提出的算法對于小規(guī)模的網(wǎng)絡與小規(guī)模的數(shù)據(jù)庫具有更準確的分類效果，可以得到更高的分類準確度。⑷針對深度置信網(wǎng)絡對