- 1、本文档共4页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
第31卷第4期 计算机应用与软件 Vol31No.4
2014年4月 ComputerApplicationsandSoftware Apr.2014
一种改进的深度神经网络在小图像分类中的应用研究
1 2 1
吕 刚 郝 平 盛建荣
1(金华广播电视大学理工学院 浙江金华321000)
2(浙江工业大学信息工程学院 浙江杭州310032)
摘 要 基于卷积神经网络和深度信念网络各自的优点,通过把卷积神经网络的局部感受野引入到深度信念网络的单层中,把深
度信念网络的单层分成多个子RBM,提出一种改进的深度信念网络。分别用BP网络、卷积神经网络、深度信念网络和改进的深度
信念网络对模型MNIST和Cifar10数据库进行小图像分类识别实验;根据实验结果,改进的深度信念网络在Cifar10库上错误率为
30.16%,比卷积神经网络低了9%,比传统的深度信念网络低了40%;在MNIST上的识别错误率为1.21%,比传统的深度信念网络
分别降低了16%,略高于卷积神经网络。试验结果表明改进的DBN网络在小图像分类应用中是有效的。
关键词 深度学习 卷积神经网络 信念网络 字符识别 图像分类
中图分类号 TP391.43 文献标识码 A DOI:10.3969/j.issn.1000386x.2014.04.046
ONAPPLYINGANIMPROVEDDEEPNEURALNETWORKS
INTINYIMAGECLASSIFICATION
1 2 1
LüGang HaoPing ShengJianrong
1(CollegeofTechnology,JinhuaRadioandTelevisionUniversity,Jinhua321000,Zhejiang,China)
2(CollegeofInformationEngineering,ZhejiangUniverstityofTechnology,Hangzhou310032,Zhejiang,China)
Abstract Basedontheadvantagesofbothconvolutionalneuralnetworks(CNN)anddeepbeliefnetworks(DBN)each,byintroducing
CNN’slocalrespectivefieldtothesinglelayerofaDBNanddividingsuchsinglelayerintomanysubRBM(restrictedBoltzmannmachine),
wepresentanimprovedDBN.TinyimageclassificationandrecognitionexperimentsisconductedonmodelMNISTandCifar10database
usingBPnetwork,CNN,DBNandimprovedDBNrespectively.Accordingtoexperimentalresults,theerrorrateoftheimprovedDBNon
Cifar10is30.16%,9%decreasethantheCNN’s,and40%decreasethantraditionalDBN’s;therecognitionerrorrateonMNISTis
1.21%,16%decreasethantraditionalDBN’s,andalittlehigherthanCNN’s.TestresultdemonstratesthattheimprovedDBNiseffective
intinyimageclassificatio
文档评论(0)