基于粗糙集的CNN图像识别算法研究

发布时间：2021-03-31 11:13

　　随着软硬件技术的飞速发展和大数据时代的到来,卷积神经网络（CNN）技术在越来越多的领域发挥着非常重要的作用,如数字识别、物体辨别、无人驾驶、语音识别等领域。卷积神经网络是深层神经网络的一个分支,它的网络结构中有特殊的卷积层和池化层,卷积层的感知器和前一层的感知器连接的方式是局部连接并共享权值,这样的连接方式有利于减少训练参数的数量,池化层可以对输入数据进行降维,从而使网络的复杂度降低,鲁棒性提高,即抑制了过拟合问题。现在图像信息以几何方式的趋势增长,需要处理的图像数据量越来越多,卷积神经网络虽然在处理图像数据时很有优势,但因为需要处理的数据量庞大,导致网络学习处理数据的时间变长,效率降低。如果为了缩短卷积网络的训练时间,将卷积神经网络的宽度和深度减小,则会影响模型的训练效果。因此,如何在保证模型质量的前提下,通过让模型更小,或者让网络模型消耗的资源更少进而加快运算速度并且保准模型质量是一大难题。为了减小卷积神经网络在处理图像数据时的负担并且提高模型学习效率,本文根据图像信息的自身特点,提出了基于粗糙集（RS）的卷积神经网络图像识别算法。该算法用经典的图像特征提取算法代替了卷积神经网络提... 

【文章来源】：成都理工大学四川省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

传统图像识别系统流程图

图 1-2 机器学习图像识别流程图图像识别传统方法可分为两步：一是特征提取，二是特征分类。第一步象为特征，第二步将该特征进一步抽象成更高级的特征，最终通过传统到类别信息。这类方法通常使用人工方式获取图像特征，但根据人的经特征未必能反应整个图像，因此传统图像识别方法抗干扰能力较差。最的是 Yang 等于 2009 年提出采用稀疏编码表征图像。也有如基于粒子群的 BP 神经网络在图像识别中的应用，但是 BP 网络存在一些不足，如部最小，神经网中隐含层神经元的个数设定需依靠先验知识等。为弥补网络的不足，采取的研究方法有改进 BP 网络和其他新的识别方法。现得较多、效果较好的新方法为支持向量机。支持向量机方法在样本较少量较差的情况下，可获得较高的识别率。后来因为 CNN 的崛起，很多基于 CNN 的图像识别模型，实现图像识别。但是，随着图像数据量越CNN 面临着用在减小卷积神经网络的宽度和深度，即保证准确率的前提或者提高效率。

本文提出的改进算法在图像识别时在准确度和学习效率上更有优势。图1-3 是本文研究路线图。1.4 论文结构介绍本学位论文共有五章，具体的结构安排如下：第一章 绪论 。本章主要介绍了论文的选题依据及研究意义，简述了图像识别、粗糙集和卷积神经网络的研究现状，并给出本文的研究创新点及各章主要内容安排。第二章 粗糙集及粗糙集属性约简原理简介 。概述了粗糙集理论的基本概念，讨论了粗糙集几种典型的属性约简方法。第三章 卷积神经网络基本原理简介 。本章介绍了传统的神经网络以及卷积网络的相关理论知识，包括感知器，多层感知器，反向传播的思想，以及卷积神经网络模型结构中的核心模块，如卷积层、池化层、Softmax 层等。第四章 图像特征提取和邻域粗糙集属性约简 。本章首先介绍了几种典型的图像特征提取算法和邻域粗糙集属性约简的理论知识，其次概述了特征组合的方式以及其优势，最后通过实验验证了邻域粗糙集属性约简的效果。


本文编号：3111339