隨著當(dāng)代信息技術(shù)的發(fā)展和進(jìn)步,信息化社會(huì)的不斷發(fā)展使得我們對(duì)數(shù)據(jù)處理的能力要求越來(lái)越高,傳統(tǒng)的數(shù)據(jù)處理方法已經(jīng)不能滿(mǎn)足需求,因此如何利用機(jī)器來(lái)進(jìn)行信息處理和大數(shù)據(jù)的分析成為新的趨勢(shì)。如何高效且快速的處理大量且復(fù)雜的數(shù)據(jù)并從數(shù)據(jù)中盡可能多的提取需要的信息成為目前的熱門(mén)研究方向。目前大多數(shù)的數(shù)據(jù)處理方法,都是僅處理單一屬性數(shù)據(jù),而現(xiàn)有的對(duì)于多屬性數(shù)據(jù)的處理,多是將數(shù)據(jù)的不同屬性提取特征后進(jìn)行拼接或融合進(jìn)行處理,這種方法對(duì)于不同屬性之間具有關(guān)聯(lián)性的多屬性數(shù)據(jù)的處理上破壞了其結(jié)構(gòu)特性,存在不足。除此之外,由于目前現(xiàn)有的特征提取和識(shí)別方法,幾乎都是在時(shí)域上對(duì)數(shù)據(jù)進(jìn)行處理,而忽略了一些頻域上的特征,因此本文研究了這一問(wèn)題,綜合對(duì)比后選擇小波域上的數(shù)據(jù)處理作為主要的方向,將現(xiàn)有的數(shù)據(jù)分類(lèi)的方法——卷積神經(jīng)網(wǎng)絡(luò)與小波變換相結(jié)合進(jìn)行研究。卷積神經(jīng)網(wǎng)絡(luò)在圖像分類(lèi)和語(yǔ)音識(shí)別方面達(dá)到了非常良好的效果,但是隨著數(shù)據(jù)量和數(shù)據(jù)分析能力的要求不斷提升,單一對(duì)圖像等低維數(shù)據(jù)的分析已經(jīng)不能滿(mǎn)足需求。CNN擅于捕捉數(shù)據(jù)的空間特征,而頻域分析擅于捕獲基于頻譜信息的尺度不變性,本文將二者與張量結(jié)合,將具有多屬性特征的數(shù)據(jù)用張量... 

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 理論研究基礎(chǔ)
    2.1 小波變換理論基礎(chǔ)
        2.1.1 多分辨分析和小波變換
        2.1.2 二維離散小波變換
    2.2 張量基本概念和運(yùn)算
        2.2.1 張量基本概念
        2.2.2 張量的基本運(yùn)算
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 卷積層(Convolution Layer)
        2.3.2 池化層(Pooling Layer)
        2.3.3 全連接層(Fully Connected Layer)
        2.3.4 卷積神經(jīng)網(wǎng)絡(luò)的反向傳播算法(Back-propagation)
    2.4 本章小結(jié)
第三章 融合小波變換和卷積神經(jīng)網(wǎng)絡(luò)的二階張量分類(lèi)模型
    3.1 融合小波變換和卷積神經(jīng)網(wǎng)絡(luò)的二階張量分類(lèi)模型
    3.2 實(shí)驗(yàn)結(jié)果與分析
        3.2.1 MNIST數(shù)據(jù)集
        3.2.2 CIFAR-10數(shù)據(jù)集
        3.2.3 KEDF數(shù)據(jù)集
    3.3 本章小結(jié)
第四章 融合張量小波的高階卷積神經(jīng)網(wǎng)絡(luò)模型
    4.1 高階卷積神經(jīng)網(wǎng)絡(luò)模型
        4.1.1 張量卷積層(Tensor Convolution Layer)
        4.1.2 張量池化層(Tensor Pooling Layer)
        4.1.3 張量全連接層(Tensor Fully Connected Layer)
        4.1.4 高階反向傳播算法(High-order Back-propagation, HOBP)
    4.2 張量小波高階卷積神經(jīng)網(wǎng)絡(luò)模型
    4.3 融合張量小波的高階卷積神經(jīng)網(wǎng)絡(luò)算法實(shí)驗(yàn)分析
        4.3.1 CIFAR-10和KEDF數(shù)據(jù)集
        4.3.2 高光譜數(shù)據(jù)集PolyU-HSFD
        4.3.3 CAUVE數(shù)據(jù)集
        4.3.4 MIR Flickr數(shù)據(jù)集
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 全文工作總結(jié)
    5.2 未來(lái)工作展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]基于時(shí)頻域的卷積神經(jīng)網(wǎng)絡(luò)運(yùn)動(dòng)想象腦電信號(hào)識(shí)別方法[J]. 胡章芳,張力,黃麗嘉,羅元.  計(jì)算機(jī)應(yīng)用. 2019(08)
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的高光譜遙感圖像分類(lèi)[J]. 羅建華,李明奇,鄭澤忠,李江.  西華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(04)



本文編號(hào)：3733980