基于深度學(xué)習(xí)的圖像分類的研究.pdf

1、深度學(xué)習(xí)自提出以來(lái)就受到了機(jī)器學(xué)習(xí)領(lǐng)域的矚目。深度學(xué)習(xí)的提出是為了解決機(jī)器學(xué)習(xí)特征提取中存在的問(wèn)題。相比于淺層學(xué)習(xí)模型特征提取依靠手工來(lái)進(jìn)行選擇，深度學(xué)習(xí)的深層網(wǎng)絡(luò)結(jié)構(gòu)可以逐層對(duì)數(shù)據(jù)特征進(jìn)行提取，使得特征更明顯更容易分類。深度學(xué)習(xí)的最顯著的特點(diǎn)是，它可以把一個(gè)復(fù)雜的問(wèn)題拆分成幾個(gè)簡(jiǎn)單的問(wèn)題，首先依次解決這些簡(jiǎn)單的問(wèn)題，之后綜合起來(lái)解決復(fù)雜的問(wèn)題。深度置信網(wǎng)絡(luò)作為深度學(xué)習(xí)領(lǐng)域應(yīng)用比較廣泛的網(wǎng)絡(luò)模型，是一個(gè)多層的網(wǎng)絡(luò)結(jié)構(gòu)。通過(guò)深度置信網(wǎng)絡(luò)當(dāng)

2、中的多個(gè)隱層來(lái)對(duì)數(shù)據(jù)進(jìn)行不斷抽象，可以更好地提取到數(shù)據(jù)的本質(zhì)特征。預(yù)訓(xùn)練階段和微調(diào)階段是深度置信網(wǎng)絡(luò)訓(xùn)練過(guò)程中起不同作用的兩個(gè)階段。預(yù)訓(xùn)練階段采用的是無(wú)監(jiān)督學(xué)習(xí)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(luò)算法作為深度學(xué)習(xí)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(duì)深度置信網(wǎng)絡(luò)輸入只能是二值數(shù)值這個(gè)特點(diǎn)，引入了高斯伯努利深度置信網(wǎng)絡(luò)。并設(shè)計(jì)實(shí)驗(yàn)對(duì)深度置信網(wǎng)絡(luò)、高斯伯努利深度置信網(wǎng)絡(luò)的性能與其他分類

3、算法性能進(jìn)行了對(duì)比。⑵針對(duì)深度置信網(wǎng)絡(luò)預(yù)訓(xùn)練過(guò)程中結(jié)點(diǎn)選擇問(wèn)題，本文提出了基于相似度的結(jié)點(diǎn)選擇方法。深度置信網(wǎng)絡(luò)當(dāng)中結(jié)點(diǎn)選擇的方法沿用了傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的算法，網(wǎng)絡(luò)結(jié)點(diǎn)一旦確定無(wú)法更改，也無(wú)法保證所有結(jié)點(diǎn)都被充分利用。本文提出的基于相似度的結(jié)點(diǎn)選擇算法對(duì)網(wǎng)絡(luò)結(jié)點(diǎn)進(jìn)行重復(fù)利用，力求在網(wǎng)絡(luò)規(guī)模已被設(shè)定的條件下盡可能充分利用網(wǎng)絡(luò)隱層結(jié)點(diǎn)，來(lái)提高網(wǎng)絡(luò)的準(zhǔn)確度。實(shí)驗(yàn)證明結(jié)點(diǎn)選擇算法具有比較好的性能。⑶針對(duì)深度置信網(wǎng)絡(luò)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(jìn)的深度置信網(wǎng)絡(luò)。由于人工蜂群算法具有全局搜索的特點(diǎn)，本文將人工蜂群算法用于深度置信網(wǎng)絡(luò)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(dāng)前區(qū)域之內(nèi)迭代這個(gè)問(wèn)題。通過(guò)誤差反向傳播算法與人工蜂群算法交替迭代，使得網(wǎng)絡(luò)擺脫局部極值點(diǎn)搜尋得到全局最優(yōu)點(diǎn)。通過(guò)兩個(gè)不同容量的數(shù)據(jù)庫(kù)來(lái)進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，本文提出的算法對(duì)于小規(guī)模的網(wǎng)絡(luò)與小規(guī)模的數(shù)據(jù)庫(kù)具有更準(zhǔn)確的分類效果，可以得到更高的分類準(zhǔn)確度。⑷針對(duì)深度置信網(wǎng)絡(luò)對(duì)