基于卷積神經(jīng)網(wǎng)絡(luò)圖像分類優(yōu)化算法的研究與驗證.pdf

1、卷積神經(jīng)網(wǎng)絡(luò)屬于深度學(xué)習(xí)領(lǐng)域研究的范圍，是一種高效的識別方法，卷積神經(jīng)網(wǎng)絡(luò)具有三個特點分別為參數(shù)共享，局部感知和子采樣操作，這三個特點使得訓(xùn)練參數(shù)減少，訓(xùn)練速度加快，在訓(xùn)練過程中具有良好表現(xiàn)，目前卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛的并且良好的應(yīng)用在生活各個方面，特別是在圖像分類任務(wù)，語音識別，文本識別，路標(biāo)識別等方面。但其發(fā)展過程中還存在一些問題。本文將對卷積神經(jīng)網(wǎng)絡(luò)在圖像分類領(lǐng)域進(jìn)行研究，目的是希望提高圖像分類的精準(zhǔn)率，降低錯誤率。
　　激活

2、函數(shù)通過非線性函數(shù)把激活的神經(jīng)元的特征保留并映射出來，因此對于網(wǎng)絡(luò)性能有很大的影響，但是目前激活函數(shù)的選擇是一個問題，不同的激活函數(shù)具有不同的優(yōu)缺點，需要耗費大量的時間與精力來確定最優(yōu)的激活函數(shù)。本文主要針對激活函數(shù)選擇困難的問題，提出基于Relu-Softplus激活函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)，并在手寫數(shù)字字體MNIST數(shù)據(jù)集上進(jìn)行實驗，加以驗證其性能，并且同其他不同的激活函數(shù)進(jìn)行比對，分析其圖像分類的錯誤率，以及收斂速度的快慢，最終達(dá)到優(yōu)化

3、卷積神經(jīng)網(wǎng)絡(luò)的性能和解決確定最優(yōu)激活函數(shù)困難等問題的目的。
　　卷積神經(jīng)網(wǎng)絡(luò)中的學(xué)習(xí)方式常見的有兩種，有監(jiān)督學(xué)習(xí)方法和無監(jiān)督學(xué)習(xí)方法，有監(jiān)督學(xué)習(xí)即從已標(biāo)記的訓(xùn)練樣本中學(xué)習(xí)到映射函數(shù)，但是需要大量的訓(xùn)練樣本，并且易出現(xiàn)過擬合等問題。而無監(jiān)督學(xué)習(xí)不要求訓(xùn)練樣本帶有標(biāo)簽，希望學(xué)習(xí)到更過抽象隱藏的特征結(jié)構(gòu)，但具有訓(xùn)練時間長，訓(xùn)練過程繁瑣等缺點。本文主要針對此問題，提出基于K-means算法的卷積神經(jīng)網(wǎng)絡(luò)，并在CIFAR-10數(shù)據(jù)集上進(jìn)行實

4、驗，加以驗證其性能，并分析比較不同的網(wǎng)絡(luò)框架對圖像分類精準(zhǔn)率的影響。
　　最后本論文將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在路標(biāo)識別系統(tǒng)上，并且設(shè)計了一個路標(biāo)識別系統(tǒng)，從系統(tǒng)的需求分析，概要設(shè)計，詳細(xì)設(shè)計以實現(xiàn)等方面進(jìn)行了闡述。并將本文提出的基于K-means算法的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在路標(biāo)識別系統(tǒng)中，最后在德國交通標(biāo)志識別GTRSB數(shù)據(jù)集上進(jìn)行訓(xùn)練測試，并同其他知名的算法進(jìn)行比較，加以驗證了基于K-means算法的卷積神經(jīng)網(wǎng)絡(luò)在路標(biāo)識別系統(tǒng)的應(yīng)用中對于