论文部分内容阅读
随着科技的发展及网络技术的进步,人们的联系、交流方式出现了多样化发展趋势,越来越发展的社交网络成为人们流露真实情感的地方,而随着文字一起发出的图像也在一定程度上反映了人们的情感状态,如何发现图像和情感之间的关联关系并加以应用,成为社交网络领域的一个研究热点,具有一定的理论意义和实际应用价值。深度学习作为目前图像分类和图像识别的一个重要研究手段,比传统方式具有明显优势,已成为国内外学者重要研究方法之一。由于情感图像是一类相对复杂且具有细节性差异的自然结构,本文采用深度信念网络算法(Deep Belief Network,DBN)和卷积神经网络算法(Convolutional Neural Network,CNN)进行研究,并且根据图像情感分类的具体问题,提出相应解决方案,研究内容如下:(1)深入研究DBN算法,针对DBN网络中存在的梯度小,收敛慢等问题,结合多新息理论,对DBN网络进行了改进,提出了基于多新息理论的DBN算法(MI-DBN)。用MNIST数据集验证MI-DBN算法的可行性,再将社交网络图像中的手写数字在训练好的网络中进行测试,为本文中的图像分类奠定了基础。最后用Caltech 101数据集进行实验,再一次验证了本文算法的可行性。(2)CNN网络的特性是权值共享,能有效地减少训练参数,利用CNN网络对情感图像分类进行研究。针对CNN算法中网络层比较深,利用BP算法反向传播修改参数时靠近输入层的梯度改动较慢,并且梯度下降时训练的效果容易收敛到局部最小值而不是全局最小值的问题,本文结合多新息理论提出了基于多新息理论的CNN算法(MI-CNN),使得在反向传播过程中能充分利用之前周期的新息来修改参数,提高梯度收敛速度。最后分别用CNN算法和MI-CNN算法对情感图像数据集进行8分类研究(娱乐、愤怒、敬畏、满足、厌恶、兴奋、恐惧和悲伤),验证本文所提算法的可行性。综上所述,本文的研究方法,初步解决了图像情感分类中基于BP的DBN网络和CNN网络的收敛速度和精度的问题,通过大量情感图像测试,证明了所提方法的有效性和正确性。