新型稀疏自动编码器组合的深度学习方法

发布时间：2021-01-07 21:56

　　针对自动编码器在强噪声环境下分类效果低的特征,提出了基于改进型稀疏自动编码器组合的深度学习方法。在采用计算相关熵的方法,增强了稀疏自动编码器对非高斯噪声的鲁棒性的基础上,利用卷积神经网络对自动编码器进行边缘降噪,接着将改进后的稀疏自动编码器和边缘降噪自动编码器相结合,得到新的稀疏边缘降噪自动编码器。实测数据的实验结果表明,新的稀疏边缘降噪自动编码器比现有的分类算法,计算时间更短、准确率更高、效果更明显。 

【文章来源】：计算机仿真. 2020,37(04)北大核心

【文章页数】：5 页

【部分图文】：

卷积神经网络典型结构

【参考文献】：
期刊论文
[1]基于Katz自动编码器的城市路网链路预测模型[J]. 盛津芳,刘家广,王斌.  计算机工程与应用. 2019(08)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[3]基于自动编码器组合的深度学习优化方法[J]. 邓俊锋,张晓龙.  计算机应用. 2016(03)
[4]基于改进型稀疏自动编码器的图像识别[J]. 尹征,唐春晖,张轩雄.  电子科技. 2016(01)
[5]融合全局和局部相关熵的图像分割[J]. 黄扬,郭立君,张荣.  中国图象图形学报. 2015(12)
[6]基于卷积神经网络的商品图像精细分类[J]. 贾世杰,杨东坡,刘金环.  山东科技大学学报(自然科学版). 2014(06)

硕士论文
[1]弱标注环境下基于多标签深度学习的加速图像标注[D]. 温翔.北京交通大学 2016
[2]基于深度学习的目标检测算法研究及应用[D]. 万维.电子科技大学 2015
[3]基于图像检索的手持设备上大图像自助导览系统设计与实现[D]. 刘昱杰.浙江大学 2013



本文编号：2963312