隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,圖像信息呈現(xiàn)幾何式增長,如何從大量的數(shù)據(jù)中快速而準(zhǔn)確的提取出有效的圖像特征從而進行圖像識別成為人們需要解決的難題。圖像識別實時性和識別精度的優(yōu)劣取決于圖像特征提取程度。卷積神經(jīng)網(wǎng)絡(luò)是近年發(fā)展起來并且受到專家學(xué)者廣泛重視的識別方法,卷積神經(jīng)網(wǎng)絡(luò)的多層網(wǎng)絡(luò)結(jié)構(gòu)可以提取到圖像更抽象的特征,利用更豐富的圖像特征進行圖像識別。本文在學(xué)習(xí)和分析現(xiàn)有圖像識別方法和卷積神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上,將直接支持向量機、孿生支持向量機以及蟻群算法引入到卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)中,進一步開展了卷積神經(jīng)網(wǎng)絡(luò)算法在圖像識別實現(xiàn)上的應(yīng)用研究,以期獲得更好的識別實時性或精度。針對基于支持向量機的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks Based on Support Vector Machine,CNN-SVM）算法在圖像識別過程中,采用SVM進行訓(xùn)練和分類時間較長的問題,提出基于直接支持向量機的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks Based on Direct Support Vector Machine,CNN-DSVM）圖像識別算...

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 圖像識別方法
        1.2.2 支持向量機方法
        1.2.3 卷積神經(jīng)網(wǎng)絡(luò)方法
    1.3 論文研究內(nèi)容和結(jié)構(gòu)安排
2 基礎(chǔ)知識
    2.1 引言
    2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別實現(xiàn)機理
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及前向傳播
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)的反向傳播
    2.3 基于支持向量機的圖像識別實現(xiàn)機理
    2.4 小結(jié)
3 基于DSVM的卷積神經(jīng)網(wǎng)絡(luò)圖像識別
    3.1 引言
    3.2 直接支持向量機
    3.3 算法實現(xiàn)和流程
    3.4 仿真實驗與分析
        3.4.1 GTSRB數(shù)據(jù)庫
        3.4.2 YaleB數(shù)據(jù)庫
    3.5 小結(jié)
4 基于ACO-TWSVM的卷積神經(jīng)網(wǎng)絡(luò)圖像識別
    4.1 引言
    4.2 蟻群算法
    4.3 TWSVM算法
    4.4 ACO-TWSVM算法
    4.5 算法設(shè)計與實現(xiàn)
    4.6 仿真實驗與分析
        4.6.1 CASIAWebFace數(shù)據(jù)庫
        4.6.2 dogs_vs_cats數(shù)據(jù)庫
    4.7 小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝
攻讀學(xué)位期間的科研成果



本文編號：4041194