基于云模型主成分的深度学习算法研究及应用
本文选题:卷积结构 + 独立主成分分析 ; 参考:《南昌大学》2017年硕士论文
【摘要】:深度学习是目前研究的热点,本文基于前人的研究,针对传统卷积神经网络结构算法在卷积核数量确定、卷积核参数初始化以及网络层与层之间通道选择不能够自主学习的问题,提出了基于独立主成分分析和基于云模型的卷积神经网络结构训练方法。首先分析研究主成分分析的主向量与卷积神经网络卷积核数量之间的关系;然后运用独立主成分神经网络对无标记图像混合信号分析,确定深度卷积核数量,模仿快速固定算法对卷积核参数初始化;最后采用云模型选择器对模型层与层之间通道连接进行选择,从而达到减少网络训练步数的目的。实验结果表明通过主成分分析所得抽样样本的平均主向量个数近似模型在测试集准确率基本不变的情况下卷积核数量的拐点,减少了重复实验来确定卷积核数量的次数。独立主成分析以及云模型选择器使得模型训练步数减少,加快了模型收敛,所提算法要比经典算法运行速率上提高5.4%左右,测试集准确率基本与原卷积神经网络结构基本持平。
[Abstract]:Deep learning is a hot topic at present. Based on the previous research, this paper proposes the problem that the number of convolution kernel is determined, the parameter of convolution kernel is initialized and the selection of the channel between layer and layer can not be autonomous learning. A convolution neural network based on independent principal component analysis and cloud model is proposed. The relationship between the principal vector of the principal component analysis and the convolution kernel number of the convolution neural network is analyzed. Then the independent principal component neural network is used to analyze the unmarked image mixed signal, to determine the number of the deep convolution kernel, and to initialize the convolution kernel parameters by the fast fixed algorithm. Finally, the cloud model is used to select the model. The selector chooses the channel connection between the model layer and the layer to reduce the number of network training steps. The experimental results show that the average principal vector number approximation model of the sample sample obtained by the principal component analysis reduces the volume of the volume of the kernel number under the condition that the accuracy of the test set is basically the same, and the repeated experiment is reduced to determine the volume. The number of kernel number, independent principal analysis and cloud model selector reduce the number of model training steps and accelerate the convergence of the model. The proposed algorithm is about 5.4% higher than the classical algorithm, and the accuracy of the test set is basically equal to the original convolution neural network structure.
【学位授予单位】:南昌大学
【学位级别】:硕士
【学位授予年份】:2017
【分类号】:TP18
【参考文献】
相关期刊论文 前10条
1 李建林;;一种基于PCA的组合特征提取文本分类方法[J];计算机应用研究;2013年08期
2 孙志军;薛磊;许阳明;王正;;深度学习研究综述[J];计算机应用研究;2012年08期
3 李宏明;;基于多元统计分析的地方高校课堂教学质量评价——以台州学院为例[J];台州学院学报;2010年03期
4 ;Study on the Universality of the Normal Cloud Model[J];Engineering Sciences;2005年02期
5 李德毅,刘常昱,杜瀊,韩旭;不确定性人工智能[J];软件学报;2004年11期
6 刘常昱,冯芒,戴晓军,李德毅;基于云X信息的逆向云新算法[J];系统仿真学报;2004年11期
7 夏长亮,文德,范娟,杨晓军;基于RBF神经网络的无刷直流电机无位置传感器控制[J];电工技术学报;2002年03期
8 蒋嵘,李德毅,范建华;数值型数据的泛概念树的自动生成方法[J];计算机学报;2000年05期
9 邸凯昌,李德毅,李德仁;云理论及其在空间数据发掘和知识发现中的应用[J];中国图象图形学报;1999年11期
10 金忠,胡钟山,杨静宇;基于BP神经网络的人脸识别方法[J];计算机研究与发展;1999年03期
相关硕士学位论文 前1条
1 王华明;基于多向独立主成分分析方法的间歇过程监控研究[D];中国石油大学;2010年
,本文编号:2030980
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2030980.html