论文部分内容阅读
近年来,以神经网络为基础的深度学习相关理论及方法受到广泛关注。与传统的机器学习方法相比,深度学习的方法具有更加强大的特征学习能力。其中,可逐层提取数据抽象特征的受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)是深度学习的重要模型之一。近年来,RBM在视频、图像、语音、文本领域受到了广泛的研究与应用。在图像特征映射方面,卷积神经网络(Convolutional Neural Network,CNN)以其强大的图像特征学习及分类能力受到了广泛关注。本文主要在深度学习中的一些算法模型的理论与应用方面做了研究。研究了RBM在训练过程中产生的冗余隐单元,提出了一种RBM中冗余隐单元的评价方法,进而提出了一种去冗余的受限玻尔兹曼机模型;本文还研究了聚类卷积模型及卷积神经网络模型,提出了一种基于聚类卷积与RBM的多尺度特征映射方法并将其应用于医学图像分类中。论文的主要研究内容如下:(1)提出了一种去冗余的受限玻尔兹曼机。本文在通过分析RBM的训练过程及其隐单元的数据分布,提出了一种RBM中冗余隐单元的度量方法,从而在RBM的训练过程中加入去冗余机制,通过去除RBM中冗余的隐单元,对RBM进行去冗余的结构优化,极大的减少RBM中隐单元的数量,提高了RBM的训练效率,缩短了训练时间,提高了模型的收敛速度。实验表明,该方法可以在不影响重构误差的条件下,消除量冗余隐单元,对于优化RBM的结构、加快特征学习速度具有重要意义。(2)提出了一种基于聚类卷积与受限玻尔兹曼机的多尺度特征映射方法。本文将RBM与聚类卷积方法相结合,同时采用多尺度的特征映射方法,对聚类学习卷积特征的方法加以改进。新的方法不必进行数据的预处理,同时提高了其产生的卷积核的泛化能力。在高效稳定的基础上,进一步提高了所提取的特征质量。通过在CIFAR-10数据集上的实验,使用映射的特征对图像进行分类,准确率达到83.53%,与原有聚类卷积方法以及普通的卷积神经网络相比,算法效率有一定提高。(3)将改进的聚类卷积方法应用于医学图像分类中。本文将改进的聚类卷积方法应用于肺部X光图像的结节诊断分类中。本文针对肺部X光图像,构建了多层聚类卷积映射模型,充分发挥聚类卷积网络训练速度块及深层模型中逐层抽象特征映射的优点。新方法相比原始聚类卷积方法具有更强的特征映射能力,与CNN模型相比,新方法在训练速度和特征映射能力上都有一定程度的提高。