深度学习算法研究及其在图像分类上的应用

《深度学习算法研究及其在图像分类上的应用》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、单位代码：１０２９３密级；公开硕女＃隹化ＡＷ，＇－，Ｉ－论文题目：深度学习算法研究及其在图像分类上的应用．、＇．’■ｒ＇二，．．ｒ、’．？．二，’；；＇式．Ｖ為，’＞■．．一１０１３０４１２２４诗学号＾‘、至曜．姓名，３，．：＇程春玲＂导师．，．，Ｉ＇．。计算机应用技术，学科专业分布式计算技术与应届＿硏究方向＿＼又；工学硕主＂气申请学位类别讀．．古＂二零一六年四月巧论文提交日期／赛

2、＾１．．呼遽！■‘；；＇．＇：織南京邮电大学学位论文原创性声明本人卢Ｗ所Ｍ交的学位论文１：＞Ｖ：巧个人化巧师巧计下进行的研究作巧化得的研化成果。＇：尽巧所知，除／文小特别加Ｕ标注和致谢的地方外，论文中不佔；化他人经发灰或撰Ｊ过的硏究成災，也不包含为获得贿成邮电人义或其它巧育机构的巧化诚证书邮使州过的材料。－Ｗ献均己化论义与我化的问山对本研宛所做的任何中作／明備的说明并龙小／谢总。一。本人学化论文及巧及和灾资料打有不丈，底总承祖切相关的法律贵化、研化小＇年．签名；：因期

3、、南京邮电大学学位论文使用授权声明本人校权闻如邮化乂巧可保留并向岡家补关部ｎ或机构送交论义的贷印件和化丫义档；允许论文被巧阅和償阅；可Ｗ将学伉论文的全部或部分内蒋编入村关数据库进行检索；＇可＾心采用影印、缩印或妇描等纪制手段保存、汇编本学位论文。本文化了文档的内容和纸质－－论文的内容相致。论义的公化（包巧刊登）授权南京邮电大学研充化院办理。涉密学位论义在解密后适Ｗ本授权书。硏究生签軒：至磅导师签名：「］期：TheResearchonDeepLearningalgorithmandits

4、applicationinImageClassificationThesisSubmittedtoNanjingUniversityofPostsandTelecommunicationsfortheDegreeofMasterofMasterofEngineeringByShuWangSupervisor:Prof.ChunlingChengApril2016摘要近年来，深度学习（DeepLearning，DL）的研究日益受到人们的广泛关注。与传统的浅层网络模型相比，深度学习模型的多层网络结构能够更加有效地表达复杂函

5、数，从而学习到表征能力更强的特征，将深度学习应用到图像的分类中，可以有效地提高分类的精度。然而，深度学习在实际应用中仍然面临着严峻的挑战：深度学习的重要基础单元模型——受限玻尔兹曼机（RestrictedBoltzmannMachine，RBM）在训练过程中，存在计算复杂度高、模型对训练数据的似然度不够高等问题，导致深度学习模型训练时间较长。本文以深度学习算法为研究内容，以基于深层网络模型的图像分类方法为研究目标，主要作了以下几方面的工作：（1）介绍本文的课题背景和研究意义，阐述深度学习的发展历程、深度学习的基本结构单

6、元以及深度学习常用的深度模型等相关技术，调研并分析国内外关于深度学习应用的研究发展现状，对RBM现存的问题进行分析。（2）针对受限玻尔兹曼机训练时传统学习率的收敛速度慢的问题，提出一种基于Kaiser窗的受限玻尔兹曼机自适应学习率调整算法，利用Kaiser窗可以自由选择主瓣宽度和旁瓣高度之间比重的特性以及训练过程中误差增量的变化给出学习率自适应变化公式，并设置误差控制因子和惯性因子，从而更有效地自适应调整学习率。仿真结果表明，基于Kaiser窗的受限玻尔兹曼机学习率调整算法，可以显著提高受限玻尔兹曼机的收敛速度和学习能

7、力。（3）针对受限玻尔兹曼机训练时归一化参数的高计算复杂度问题，提出一种基于交替迭代算法的改进受限玻尔兹曼机，利用交替迭代算法将模型分布参数和归一化参数交替进行计算，通过反复迭代直至收敛来求得受限玻尔兹曼机的模型分布参数，同时设置相应的阈值来保证收敛速度。仿真结果表明，相较于并行回火、持续对比散度等算法训练得到的RBM模型，基于交替迭代算法的改进受限玻尔兹曼机对训练数据具有更高的似然度。（4）针对浅层模型无法有效地表达图像多层语义特征的问题，将深度学习算法应用于图像分类中，提出一种基于多层RBM网络的图像分类方法。同时

8、，在多层RBM网络中引入数据加入噪声的过程和特征池化过程，避免算法对训练数据的过拟合，提高算法的泛化能力和鲁棒性。仿真结果表明，相较于深度信念网络、卷积神经网络以及稀疏编码等图像分类方法，基于多层RBM网络的图像分类方法提高了图像分类的精确度的同时，增加了模型泛化性和鲁棒性。关键词:深度学习，受限玻尔兹曼机，自适应学习率，交替迭代