版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、作為一個新興機器學習研究領(lǐng)域,深度學習的概念主要來源于人工神經(jīng)網(wǎng)絡(luò)的研究,目的是在建立可以模擬生物大腦進行分析、學習的人工神經(jīng)網(wǎng)絡(luò)。近年來,深度學習無論是在理論上還是應(yīng)用上均取得驚人的突破,其原因除了理論上受啟發(fā)于神經(jīng)系統(tǒng),具有很好的理論支撐,也獲利于高速發(fā)展的互聯(lián)網(wǎng)時代所帶來的紅利,即既為深度學習的訓(xùn)練提供了強大的計算機資源,也為其提供了豐富的訓(xùn)練數(shù)據(jù)。強大的特征逐層自我學習能力促使深度學習理論交叉研究的深入以及應(yīng)用領(lǐng)域的不斷擴大,然
2、而在非平穩(wěn)環(huán)境中大數(shù)據(jù)的多重標簽以及目標任務(wù)領(lǐng)域標注數(shù)據(jù)稀缺等特點要求在獲取深度學習訓(xùn)練數(shù)據(jù)時需結(jié)合實際問題進行人工處理等,這在一定程度上限制了深度學習發(fā)展。因此研究非平穩(wěn)環(huán)境下的深度學習理論及其運用成為深度學習領(lǐng)域中極具價值和富有挑戰(zhàn)性的熱點方向之一,同時也具有一定的現(xiàn)實意義。本論文在圖像處理背景下結(jié)合非平穩(wěn)大數(shù)據(jù)的特點深入研究深度學習理論、模型及應(yīng)用,主要工作如下:
(1)深入研究深度學習理論、模型及相關(guān)技術(shù),主要包括常見
3、的深度學習模型,以及數(shù)據(jù)增強和深度神經(jīng)網(wǎng)絡(luò)的可視化等相關(guān)技術(shù),為下文結(jié)合非平穩(wěn)環(huán)境中大數(shù)據(jù)的特點研究深度學習理論提供了技術(shù)支持及理論基礎(chǔ)。同時結(jié)合遷移學習研究在非平穩(wěn)環(huán)境中當目標域有效標注數(shù)據(jù)稀少、相關(guān)域標注數(shù)據(jù)充足時,通過知識遷移的方式使用相關(guān)域的數(shù)據(jù)特征對目標域深度學習模型參數(shù)初始化,從而提升模型的性能,為后文基于免疫理論的卷積神經(jīng)網(wǎng)絡(luò)模型提供理論依據(jù)。
?。?)結(jié)合非平穩(wěn)環(huán)境下大數(shù)據(jù)的多標簽特點,提出一種多標簽卷積神經(jīng)網(wǎng)絡(luò)
4、模型。卷積神經(jīng)網(wǎng)絡(luò)在圖像處理尤其是圖像分類方面取得領(lǐng)先于傳統(tǒng)技術(shù)的成果,但很少使用相同樣本不同標簽之間的隱藏語義,本論文的多標簽卷積神經(jīng)網(wǎng)絡(luò)在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入標簽語義,提升模型在圖像分類方面的性能。并通過實驗驗證了模型在多標簽數(shù)據(jù)集上可以取得不錯的效果。CIFAR-100數(shù)據(jù)集上的實驗表明本論文的多標簽卷積神經(jīng)網(wǎng)絡(luò)在top-1和top-5分類識別率上平均提高2.3%和2.7%。
?。?)將深度學習理論與人工免疫理論中
5、的人工免疫記憶模型進行結(jié)合,提出一種基于免疫理論的卷積神經(jīng)網(wǎng)絡(luò)模型,旨在通過理論交叉研究實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)的模型重用。通過計算未知抗原與抗體之間的親和力選擇與未知抗原最匹配的抗體完成卷積神經(jīng)網(wǎng)絡(luò)的重構(gòu),其中未知抗原是指使用降噪稀疏編碼器提取的有關(guān)待識別圖像的特征,而抗體是指使用卷積神經(jīng)網(wǎng)絡(luò)通過監(jiān)督訓(xùn)練學習到的關(guān)于訓(xùn)練數(shù)據(jù)集的特征,主要為卷積核部分。最后結(jié)合實驗結(jié)果對模型進行了深入的分析,也為后續(xù)的模型改進及課題研究提供了方向和思路。
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于Caffe深度學習框架的卷積神經(jīng)網(wǎng)絡(luò)研究.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的車型識別.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標跟蹤.pdf
- 基于FPGA的深度卷積神經(jīng)網(wǎng)絡(luò)加速研究.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的場景分類研究.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識別研究.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的語義圖像檢索研究.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像檢索算法研究.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的離線筆跡鑒別研究.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的顏值計算研究.pdf
- 基于深度強化學習的機械臂卷積神經(jīng)網(wǎng)絡(luò)控制策略研究
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的實體關(guān)系抽取.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的熟料顆粒方法研究.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的人體姿勢估計研究.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝屬性研究及其應(yīng)用.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的電商數(shù)據(jù)深度挖掘.pdf
- 基于深度學習卷積神經(jīng)網(wǎng)絡(luò)的電影票房預(yù)測.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的光場圖像深度估計.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的視網(wǎng)膜血管分割研究.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的室外場景理解研究.pdf
評論
0/150
提交評論