基于深度卷积神经网络的图像识别算法研究

《基于深度卷积神经网络的图像识别算法研究》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、分类号：TP183单位代码：10183研究研生学号：2015524006密级：公开基于深度卷积神经网络吉林大学的图像硕士学位论文识别（专业学位）算法研究基于深度卷积神经网络的图像识别算法研究ResearchonImageRecognitionAlgorithmBasedonDeepConvolutional高NeuralNetworks华照作者姓名：高华照类别：工程硕士吉林领域（方向)：电子与通信工程大学指导教师：李玲副教授培养单位：通信工程学院2018年6月—————————————————————基于深度卷积神经网络的图像识别算法研究

2、—————————————————————ResearchonImageRecognitionAlgorithmBasedonDeepConvolutionalNeuralNetworks作者姓名：高华照专业名称：电子与通信工程指导教师：李玲副教授学位类别：工程硕士答辩日期：年月日未经本论文作者的书面授权，依法收存和保管本论文书面版本、电子版本的任何单位和个人，均不得对本论文的全部或部分内容进行任何形式的复制、修改、发行、出租、改编等有碍作者著作权的商业性使用（但纯学术性使用不在此限）。否则，应承担侵权的法律责任。吉林大学硕士学位论文原创

3、性声明本人郑重声明：所呈交学位论文，是本人在指导教师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：日期：年月日《中国优秀博硕士学位论文全文数据库》投稿声明研究生院：本人同意《中国优秀博硕士学位论文全文数据库》出版章程的内容，愿意将本人的学位论文委托研究生院向中国学术期刊（光盘版）电子杂志社的《中国优秀博硕士学位论文全文数据库》投稿，希望《

4、中国优秀博硕士学位论文全文数据库》给予出版，并同意在《中国博硕士学位论文评价数据库》和CNKI系列数据库中使用，同意按章程规定享受相关权益。论文级别：■硕士□博士学科专业：电子与通信工程论文题目：基于深度卷积神经网络的图像识别算法研究作者签名：指导教师签名：年月日作者联系地址（邮编）：吉林大学通信工程学院(130012)作者联系电话：13843162928摘要基于深度卷积神经网络的图像识别算法研究卷积神经网络(ConvolutionalNeuralNetwork,CNN)可以学习图像隐性特征，具有强大的自学习能力，在图像识别领域取得了优异

5、的成绩，而深度卷积神经网络的发展为图像识别领域带来了深刻的变革，它可以提取到更深度的人们无法理解的特征而进一步提高了图像识别的准确率。然而随着网络层数的加深，网络的训练也随之遇到很多问题。首先是目前仍然没有完善的数学理论指导模型结构的设计，其次是在网络训练过程中采用的优化算法存在缺陷，两者直接关系到网络模型的训练速度和模型在测试集上的准确率。本文将针对深度卷积神经网络的模型和反向传播优化算法进行研究，建立一个简单高效的深度卷积神经网络模型。本文首先在VGGNet网络模型基础上，用全卷积取代了原网络后三层的全连接，同时增加了一个卷积层并适当

6、调整了网络参数，设计了改进的全卷积神经网络FC-VGGNet-plus(FullyConvolutionalVGGNetplus)模型架构，加快了网络的训练速度，在CIFAR-10数据集上每次迭代时间平均缩短了0.13秒，同时在测试集上的准确率也有一定提升，在同样的设备条件和迭代次数下准确率从82.33%提升至83.45%。随机梯度下降算法是反向传播中应用非常广泛的最优化算法，其思想简单，运算速度较快，但在深度卷积神经网络参数训练中应用时存在固有的缺陷，针对反向传播中随机梯度下降算法存在的局部最优问题以及容易出现的梯度弥散现象，本文研究了

7、群优化算法中的粒子群优化算法(ParticleSwarmOptimization,PSO)，并将其修正的算法应用到卷积神经网络的参数训练中，提出了基于变权重粒子群算法的卷积神经网络优化算法PSO-CNN。首先利用粒子群算法训练网络参数，达到一定的准确率之后再利用随机梯度下降算法进一步优化，解决了反向传播优化算法存在的局部最优问题，同时因粒子群优化算法的快速迭代大大缩短了网络训练时间，在MNIST和CIFAR-10数据集上训练基本是在十次迭代后准确率就达到30%左右，而在不使用粒子群算法的条件下达到相同的准确率往往需要几百次以上迭代。并且粒

8、子群优化算法初始化的网络的收敛过程更加平滑，参数值的波动减小。I之后本文将PSO-CNN应用到本文设计的FC-VGGNet-plus网络模型训练中，进一步优化了本文设计的改进全卷积网络，使该模