卷积神经网络优化及其在图像识别中的应用

发布时间：2017-05-10 01:11

  本文关键词：卷积神经网络优化及其在图像识别中的应用，，由笔耕文化传播整理发布。

【摘要】：卷积神经网络(Convolutional Neural Network,即CNN)是一种基于多层监督学习的人工神经网络,它改善了传统模式识别方法存在提取特征难的问题,它不仅具有传统神经网络的优点,较好的容错性、自适应性和自学习能力,并且还具有自动提取特征、权值共享的特点,因而被广泛应用于图像识别、物体检测与识别和目标跟踪等领域。卷积神经网络的应用过程中其网络结构优化是影响识别精度及效率的重要因素,研究CNN网络结构优化问题具有重要意义。论文对卷积神经网络的理论、特点、结构进行了深入研究,并分析了卷积神经网络中训练和测试的基本过程。对CNN识别过程中的网络结构层数及隐层特征图个数、卷积核大小、权值初始化、批量样本数和迭代次数等参数进行了深入研究,并给出了其取值方法。在基于CNN的识别过程中,隐层特征图个数对识别精度影响较大;上一层特征图存在与下一层特征图关联性较小的样本数据,影响系统的识别精度。灰色关联分析法(Grey Relational Analysis,即GRA)具有能够挖掘数据之间内在关联度的特点,本文在网络训练过程中引入GRA以自动选择对识别结果影响较大的隐藏层特征图从而优化网络结构。本文通过输入图像的大小确定卷积核大小和网络结构层数,并使用实验的方式确定批量样本数和迭代次数,同时引用灰色关联分析法确定隐层特征图个数,从而确定网络结构及相关参数,用已确定好结构的CNN完成对手写体数字识别和交通标志识别实验。实验结果表明使用灰色关联分析法确定后的隐层特征图个数符合实验方法确定的隐层特征图个数局部最优值,本文提出的方法能够自适应确定特征图个数,完成对CNN网络结构的优化。
【关键词】：卷积神经网络 网络结构 灰色关联分析法 手写体数字 交通标志
【学位授予单位】：沈阳工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP183
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-15
• 1.1 研究背景及意义9-10
• 1.2 国内外研究现状10-13
• 1.2.1 卷积神经网络研究现状10-11
• 1.2.2 卷积神经网络与手写体数字识别11-12
• 1.2.3 卷积神经网络与交通标志识别12-13
• 1.3 论文的主要工作、内容安排及创新点13-15
• 第2章 卷积神经网络15-22
• 2.1 概述15-16
• 2.2 网络结构模型16-18
• 2.3 训练与测试18-20
• 2.4 网络结构参数及其设计20-22
• 第3章 灰色关联分析法与神经网络结构优化22-25
• 3.1 灰色关联分析法22
• 3.2 灰色关联分析法与BP神经网络22-23
• 3.3 基于灰色关联分析法的CNN网络结构优化23-25
• 3.3.1 GRA与CNN中隐层特征图个数的确定23
• 3.3.2 GRA优化CNN的实现过程23-25
• 第4章 CNN在手写体数字识别中的应用25-37
• 4.1 数据库构建25
• 4.2 网络结构及参数设定25-29
• 4.2.1 卷积核大小和网络结构层数设定25-26
• 4.2.2 批量样本数设定26-27
• 4.2.3 迭代次数设定27-28
• 4.2.4 隐层特征图个数设定28-29
• 4.3 隐层特征图个数优化及实验结果分析29-32
• 4.3.1 C3、S4层特征图个数确定29-31
• 4.3.2 C1、S2层特征图个数确定31-32
• 4.4 卷积神经网络的训练与测试32-37
• 4.4.1 训练33-35
• 4.4.2 测试35
• 4.4.3 不同结构下识别错误率和时间对比实验35-37
• 第5章 CNN在交通标志识别中的应用37-61
• 5.1 数据库构建37-39
• 5.2 网络结构及参数设定39-42
• 5.2.1 卷积核大小和网络结构层数设定39
• 5.2.2 批量样本数设定39-40
• 5.2.3 迭代次数设定40-41
• 5.2.4 隐层特征图个数设定41-42
• 5.3 隐层特征图个数优化及实验结果分析42-45
• 5.3.1 C3、S4层特征图个数确定42-44
• 5.3.2 C1、S2层特征图个数确定44-45
• 5.4 卷积神经网络的训练与测试45-48
• 5.4.1 训练45-46
• 5.4.2 测试46-47
• 5.4.3 不同结构下识别错误率和时间对比实验47-48
• 5.5 鲁棒性测试48-61
• 第6章 结论61-62
• 参考文献62-65
• 在学研究成果65-66
• 致谢66

【参考文献】

中国期刊全文数据库 前10条

1 张秀玲;付栋;李海滨;来永进;王振臣;;基于RBF神经网络结构混合优化的数字识别[J];沈阳大学学报(自然科学版);2015年03期

2 黄琳;张尤赛;;应用深层卷积神经网络的交通标志识别[J];现代电子技术;2015年13期

3 张黎;刘争鸣;唐军;;基于BP神经网络的手写数字识别方法的实现[J];自动化与仪器仪表;2015年06期

4 秦鑫;张昊;;基于BP人工神经网络的手写体数字识别[J];计算机与数字工程;2015年02期

5 潘广源;柴伟;乔俊飞;;DBN网络的深度确定方法[J];控制与决策;2015年02期

6 宣森炎;龚小谨;刘济林;;基于联合卷积和递归神经网络的交通标志识别[J];传感器与微系统;2014年08期

7 房泽平;段建民;郑榜贵;;基于特征颜色和SNCC的交通标志识别与跟踪[J];交通运输系统工程与信息;2014年01期

8 丁婷;孙玉环;;基于BP神经网络的交通标志识别[J];物联网技术;2013年05期

9 冯春贵;祝诗平;王海军;贺园园;;基于改进模板匹配的限速标志识别方法研究[J];西南大学学报(自然科学版);2013年04期

10 徐姗姗;刘应安;徐f;;基于卷积神经网络的木材缺陷识别[J];山东大学学报(工学版);2013年02期

中国重要会议论文全文数据库 前1条

1 陆璐;张旭东;赵莹;高隽;;基于卷积神经网络的车牌照字符识别研究[A];第十二届全国图象图形学学术会议论文集[C];2005年

中国硕士学位论文全文数据库 前10条

1 张子夫;基于卷积神经网络的目标跟踪算法研究与实现[D];吉林大学;2015年

2 尤倩;基于SVM的脱机手写体数字识别的研究与应用[D];山东师范大学;2014年

3 杨心;基于卷积神经网络的交通标识识别研究与应用[D];大连理工大学;2014年

4 李飞腾;卷积神经网络及其应用[D];大连理工大学;2014年

5 李卫;深度学习在图像识别中的研究及应用[D];武汉理工大学;2014年

6 卢鹏;字符文本验证码的破解技术研究[D];南京理工大学;2014年

7 许可;卷积神经网络在图像识别上的应用的研究[D];浙江大学;2012年

8 张艳芳;贝叶斯网络在手写数字识别中的应用与研究[D];华北电力大学;2011年

9 康明;手写体数字识别技术研究[D];武汉理工大学;2010年

10 王秀;基于灰色理论和神经网络的道路交通事故预测研究[D];山东科技大学;2007年

  本文关键词：卷积神经网络优化及其在图像识别中的应用，由笔耕文化传播整理发布。

本文编号：353705