一种基于卷积深度网络的图像识别算法及系统技术方案
【技术实现步骤摘要】
一种基于卷积深度网络的图像识别算法及系统
本专利技术涉及模式识别和机器学习领域，具体涉及深度置信网(DBN)、卷积神经网络(CNN)、受限制的玻尔兹曼机(RBM)、补充因子、条件高斯分布等概念和公式以及C++编程语言。
技术介绍
机器学习是研究如何使计算机模拟人类学习行为的一门学科。机器学习基于学习策略可分为机械学习、类比学习、演绎学习、基于解释的学习、归纳学习、基于神经网络的学习等。本文研究的重点在人工神经网络(ANN)。神经网络是一种并行分布式信息处理的网络结构，具有很强的非线性映射能力和较高的容错能力。ANN可追溯至1943年神经心理学家Mcculloch和数学家Pitts从数理逻辑的角度提出的神经元模型(M-P模型)，ANN自此开始发展。目前，常见的ANN模型种类很多，我们可以依据ANN的结构分为三种基本的网络模型：单层前馈网络、多层前馈网络、递归网络。作为多层神经网络，深度学习模型由于能够从输入样本直接逼近复杂的非线性映射，而被广泛用于许多领域，常用模型有卷积神经网络(CNN)和堆叠的自动编码器模型(SAE)以及深度置信网(DBN)深度波尔兹曼机(DBM...
【技术保护点】
一种基于卷积深度网络的图像识别算法及系统，其特征在于，通过构建带有标签的图片(CIFAR‑10数据集)作为样本集对神经网络进行训练，将训练好的神经网络保存，将待识别图片作为输入，根据输出向量得到识别结果。
【技术特征摘要】
1.一种基于卷积深度网络的图像识别算法及系统，其特征在于，通过构建带有标签的图片(CIFAR-10数据集)作为样本集对神经网络进行训练，将训练好的神经网络保存，将待识别图片作为输入，根据输出向量得到识别结果。2.根据权利要求1所述的方法，其特征是，所述的深度神经网络为多层的卷积深度神经网络，包括输入层、3个卷积层、3个池化层和1个输出层，其中：输入层是二维图像的像素点，第一个卷积层有24个卷积特征图，第二个卷积层有48个卷积特征图，输出层设置为10个节点。3.根据权利要求1所述的方法，其特征是，所指的训练是指：将样本集(包括图像和标签)输入到设置好的神经网络，利用受限制的玻尔兹曼机(RBM)改进算法进行预训练，然后对得到的模型结合反向传播BP算法调整参数和偏置，完成对神经网络的完整的训练过程。4.根据权利要求1或3所述的方法，其特征是，所述的训练包括：4.1、首先对网络初始化；对卷积核、全连接层权值和偏置进行随机初始化；4.2、将训练样本和标签集导入初始化好的网络进行预训练；首先改进RBM模型，引入条件高斯分布，构建基于补充因子的受限制玻尔兹曼机(CRBM)，然后引入卷积操作，构建一个基于卷积的CRBM(CCRBM)。接下来使用weightuncertainty方法来训练CCRBM模型以缓解过拟合问题。最后，基于CCRBM模型构建一个基于卷积的补充深度置信网(CCDBN)。利用图像数据进行预训练，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。