分数阶小波散射卷积网络原理及应用

发布时间：2021-01-25 02:49

　　深度卷积神经网络作为深度学习的核心算法模型之一,在计算机视觉领域取得了突破性的进展,在图像分析和处理等任务中受到了广泛关注。但是,深度卷积神经网络是以数据驱动的滤波器构建的网络,缺乏足够的理论支撑,并且需要大量样本训练,在一定程度上限制了其在实际中的应用。鉴于此,小波散射卷积网络应运而生,它继承了深度卷积神经网络的层次结构,所不同的是,其是以预定义的小波滤波器构建的网络。理论研究表明,该网络具有平移、旋转不变性和形变稳定性等特性,而且不需要样本训练,在图像检测、分类、识别等方面备受关注。然而,小波滤波器本质上是线性时不变的频域带通滤波器,这就决定了小波散射卷积网络只适合分析平稳特征,对非平稳特征而言得到的结果并不是最优的。考虑到分数阶小波变换本质相当于一组线性时变的分数域带通滤波器,适合分析非平稳特征,本文以此构建了面向非平稳特征的分数阶小波散射卷积网络,主要研究内容归结为以下几点:首先,从多分辨分析的角度,阐明了由分数阶小波分析得到的信号概貌和细节对特征分析的影响。前者体现信号大尺度特征,对外界变化不敏感,可直接用于信号分析;而后者表现为信号小尺度特征,容易受到干扰而不利于信号分析。... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景及研究目的和意义
    1.2 国内外研究现状及分析
        1.2.1 国外研究现状
        1.2.2 国内研究现状
        1.2.3 国内外研究存在问题分析
    1.3 主要研究内容
    1.4 本文的结构安排
第2章 分数阶小波散射变换
    2.1 预备知识
    2.2 多维分数阶卷积及其性质
        2.2.1 多维分数阶卷积定义
        2.2.2 关于多维分数阶卷积的重要不等式
    2.3 多维分数阶小波变换及性质
    2.4 分数阶小波散射变换
    2.5 本章小结
第3章 分数阶小波散射卷积网络
    3.1 分数阶小波散射变换的滤波器实现
    3.2 分数阶小波散射卷积网络结构
    3.3 分数阶小波散射卷积网络的基本性质
        3.3.1 非扩张性
        3.3.2 能量守恒
        3.3.3 形变稳定性
        3.3.4 平移不变性
    3.4 本章小结
第4章 分数阶小波散射卷积网络在图像分类中应用
    4.1 分数阶小波散射卷积网络的快速算法
        4.1.1 算法原理
        4.1.2 算法实现
    4.2 分数阶小波散射卷积网络在图像分类中的应用
        4.2.1 网络参数的选取与设置
        4.2.2 数值结果分析
    4.3 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢


【参考文献】：
期刊论文
[1]小波散射网络在各种彩色空间进行图像纹理分类的性能比较(英文)[J]. 伍家松,姜龙玉,韩旭,Lotfi Senhadji,舒华忠.  Journal of Southeast University（English Edition）. 2015(01)
[2]A novel fractional wavelet transform and its applications[J]. SHI Jun,ZHANG NaiTong & LIU XiaoPing Communication Research Center,Harbin Institute of Technology,Harbin 150001,China.  Science China（Information Sciences）. 2012(06)
[3]基于形状上下文的形状匹配[J]. 申家振,张艳宁,刘涛.  微电子学与计算机. 2005(04)



本文编号：2998412