基于深度信念网络的图像识别及其应用研究

《基于深度信念网络的图像识别及其应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、＾＇－－：：：‘：ｒ．ｉ’却ｒ：氧．淳和ｒ．：脅禪．／．苗．每，身：．＞．苦＇；．，．、巧，％‘；．＾＇琴Ａ．挺－」：令；－－■；々．：，：：：节＇’；＿＇；在．／；ｖ＇＇＜．．／Ｖｒ．．．ｖ，某诗：１奪．１的＇遷；＇’．－賓韦，Ｖ＇；．ｙ－．．苗一．ｓ：．■’Ｉｉ谭貪丰：Ｎ＇／；东、‘－．护．華．＇－，兴．，＇ｕＶｌ＇定ｒ—ｔ拓，‘＊．：，一１Ｖ－４．聲，＂－■马．？＞７＾’一‘背．：；巧Ｖ．．．．■．．．■．＇ｖ宗．；Ｖ：．．．－．；＇．．：％：、．若．．Ｋ－，；二＇，．Ｖ

2、＾，＇＼：．－＇Ａ早戒％＇巧．一＇．ｆ．．＼．．皋．－化＞．義亩董战ｆＳ学修．二．ｆ；．；－－－；；巧Ｖ韦．一ｒ．＂．、福－．＇．；．＇．１著；Ａ．ｆ、’—畫白勺ｖ細可图别／奸科只遇一０＇曝異－．．．．議Ｖ／．‘．．．伊’应用升究５＇．－．．．，＇’．．＞；．．．■．＇＇－；．＞■．六联Ｉ１ｇ齡过Ａ化ｎ－种舶．．．如；：畔畔．‘．．／．一一．＇．＇＼ｉ＂％■‘Ｕ＾的■．Ｉ山卽＾＇耗钟．■－．九－一，＇＇．．：：＇：＼ｔ：，

3、一．．＇：。．．■’ｖｖ一：．；」＇＼；每藻＃．护？＞．－式一Ｖ．皆義．：＞．Ｘ身／＾ｒ寧兴：：．。，‘Ｖ矿＇：．’疗气Ｖ、＞－這Ｖ．一雙．．签韦：＞．话＇．＞：方ｒ：才Ｔ‘－皂＇．＾－．兮，．巧：片，；；：＾ｒ：挺－．一這－、＾＾襄＼又＞．＇，１；畔转、每’＇起感；＾’，苗＞、；ｒ货：－鬼＇＞陳；為、．ｒ．．‘韻．琴户．．！＞．扣．＼沪，．．‘－這Ｖ－掉識－Ｖ－；Ｖ；！：舊變ｉｒ片ｒ－：如．．ｆ，題；：‘－／爲＾乂．■家寶一５－．气乃巧革

4、；；－，．、＇苗■，，＾月■Ｖ；；－ｖ您＂二气＇，■六ｖ马若‘兵心汽、■，决斗．裤、：却＇：？＊，．＇．＇軒．這。＞国内图书分类号：TP391.41学校代码：10079国际图书分类号：621.39密级：公开硕士学位论文基于深度信念网络的图像识别及其应用研究硕士研究生：李倩导师：高强教授申请学位：工学硕士学科：信息与通信工程专业：通信与信息系统所在学院：电气与电子工程学院答辩日期：2016年3月授予学位单位：华北电力大学ClassifiedIndex:TP391.41U

5、.D.C:621.39ThesisfortheMasterDegreeResearchonImageRecognitionanditsApplicationBasedonDeepBeliefNetworkCandidate：LiQianSupervisor：Prof.GaoQiangSchool：SchoolofElectricalandElectronicEngineeringDateofDefence：March,2016Degree-Conferring-Institution：NorthChinaElectricPowerU

6、niversity华北电力大学硕士学位论文摘要深度信念网络（DeepBeliefNetwork,DBN）是近年来新兴的一种机器学习模型。其动机在于模拟人的思维方式来学习、分析数据，比如文本、声音和图像。DBN结合了无监督预训练和有监督微调的学习过程，具有自动提取样本概率分布和获取样本本质特征的优势，进而可以实现大数据的图像识别。本文在分析了现有的DBN理论的基础上，深入研究了DBN图像识别的改进算法及其应用。具体研究内容包括以下几个方面。针对DBN识别性能不太高的缺点，提出了两种DBN图像识别的改进算法。一种是基于多尺度主线方向特征

7、的DBN识别方法，该方法首先依据多尺度主线方向特征的提取流程，从样本图像中提取主线特征，然后将主线特征作为原幅值特征的指导信息，一起输入到DBN网络中；另外一种是基于差异稀疏化的DBN识别方法，该方法首先定义了差异的概念，将图像的灰度值转化成差异表示矩阵，实现了低灰度区域的扩张，高灰度区域的压缩，增强了图像的对比度，随后对差异特征矩阵进行去均值、归一化以及稀疏化处理，最后将得到的稀疏化后的差异矩阵输入到DBN网络中。通过在MNIST、CIFAR-10以及SVHN等多个标准数据库上的实验表明，这两种改进算法都能有效地提高DBN的识别性

8、能。接着，对企业生产中的故障指示器状态检测和绝缘子故障识别进行了研究与应用，采用改进的DBN图像识别方法进行了大量的实验。结果显示，两个应用在分类识别效果方面都取得了不错的效果，同时，也验证了改进算法的有效性和实用价值。最后，进一步提