论文部分内容阅读
卷积神经网络是一种结合人工神经网络以及深度学习技术的新型神经网络,它是首个真正意义上能够成功训练多个层次网络的结构模型。卷积神经网络是为识别二维图像专门特殊设计的一个多层感知器,其具备良好的自学能力、容错能力,对平移、缩放、倾斜或者其他形式的变形具有高度不变性。本文以传统的卷积神经网络为基础,提出以下三种改进的算法模型:1.本文提出基于加权Fisher准则的卷积神经网络算法模型。该算法主要对传统卷积神经网络的代价函数做了改进,在最小平方误差代价函数的基础上引入加权Fisher准则,其主要目的在于保证图像实际输出值和图像样本标签之间的残差最小的同时,使得同类样本间的距离越近越好,异类样本间的距离越远越好。2.本文提出基于改进激活函数的卷积神经网络算法模型。该算法主要对传统卷积神经网络的激活函数做了改进,结合了卷积神经网络目前使用最为广泛的非线性激活函数ReLUs函数的稀疏特性以及Softplus函数光滑特性。此外,针对将改进后的激活函数作为卷积神经网络所有层的激活函数可能会带来图像信息因过于稀疏从而导致信息严重缺失的问题,提出两种结构并加以比较。3.本文提出基于改进Gabor滤波器的卷积神经网络算法模型。该算法首先对传统的Gabor滤波器进行改进,引入曲度系数概念,使得改进后的Gabor滤波器在具备良好的方向和尺度特性的同时兼具良好的局部曲率响应特性;其次将输入图像和改进后的Gabor滤波器卷积,将得到的图像多个方向的特征取代原始图像作为卷积神经网络新的输入。本文在Mnist手写数字图像库、AR人脸库、ORL人脸库三种常用的数据库上进行实验以验证所提算法的可行性,并分析了实验结果。最终的实验结果表明本文的创新算法可以取得更好的识别效果。