未来智讯 > 神经网络论文 > 卷积神经网络的应用与发展

卷积神经网络的应用与发展

发布时间:2019-04-26 00:56:05 文章来源:未来智讯    
卷积神经网络的应用与发展:未知(中国民航大学,天津300300)[摘要]主要由卷积卷积神经网络层,层池,完全相干层组成。 它在指标检测,视觉机器视觉和语音识别领域取得了显着成果。 本文简要介绍了卷积网络布局及其在各种类别中的应用。 [关键词]卷积神经网络; 卷积网络布局; 各类应用。 1.卷积神经网络。 卷积神经网络是一种人工神经网络,已经成为一种形象。 识别,语音分析,指标检测和其他讨论领域。 与MLP,DPN和其他深度训练网络相比,重量分配和汇集操作有助于减少网络混乱,可调参数较少,降低了培训和培训时间; 卷积神经网络当处理二维图像时,它具有位移,缩放和失真图像稳定性。 2.卷积神经网络布局卷积网络由输入层,卷积层,汇集层,完全相干层和输出层组成。 旋绕层和汇集层通常成对出现。 因为卷积层中特征表面的神经元与其输入部分相干,所以响应的权重用部分输入加权,并且添加偏移值以获得神经元的输入值。 这个过程相当于卷积过程,卷积。 神经网络也相应地命名。 (1)卷积层卷积层由多个特征面构成,每个特征面由多个神经元组成,每个神经元分解卷积核,并连接上特征曲面的部分区域。 卷积核是权重矩阵。 卷积层卷积运算提取输入的不同特征,而低卷积层提取诸如边缘,线和脊的主要特征,并且较高层卷积层提取更高级的特征。 (2)汇集层汇集层(也称为采样层)由卷积层之后的多个特征表面组成,并且其每个特征表面唯一地对应于上层的特征表面。 卷积层的输出是池化层的输入,池化层的神经元也连接到其输入层的部分接管域。 汇集层旨在确定低特征表面的分辨率以获得空间稳定性的特征,并且汇集层起到二次提取特征的作用。 常用的池化方法具有最大的池化点,即部分接管域中具有最大值的点,并且平均池化是对部分接管域中的所有值进行平均并随机化池化。 (iii)在完全级联层卷积网络布局中,最后一个汇集层之后是至少一个完全相干层。 完全相干层中的每个神经元与前一层中的所有神经元完全相干。 完全相干层能够将部分信息集成在卷积层或具有辨别力的合并层中。 完全相干层的最后一层的输出值被传递到输出层,输出层可以选择softmax逻辑。回归被分类,该层也可以称为softmax层。 (4)特征曲面特征曲面的数量是卷积网络的严重参数。 它是根据工作日的实际要求配置的。 如果特征表面太小,则可忽略一些特性。 在网络培训中; 但是,如果功能的数量太大,还会增加训练参数的数量和网络训练时间,但遗憾的是还要学习网络模型。 3.实际应用(I)图像识别近年来,卷积网络已广泛应用于图像处理领域。 通过执行机械训练的基本知识,机器可以识别图像中的内容。 模式识别的主要类别之一是图像识别,其主要涉及字符识别,面部识别和对象识别。 在图像识别中,手写数字识别和人脸识别是研究更加强大的领域。 手写数字识别可用于主动读取银行支票信息,信封上的邮政编码和某些文件中的数据。 (2)音频检索
Hamid等。 联合隐马尔可夫基于卷积网络建立语音识别模型,并在比例语音数据库长度中尝试,试图显示模型相对于模型的准确性。 具有相同隐藏层数和权重数的传统神经网络模型增加了10%,证明了卷积网络模型可以更好地应用于语音识别。 (III)指示器检测运动指示器的检测是视频监视的基本预处理程序之一。 在工作日,使用机械视觉和其他技术将指标与景观分开。 适用的视觉机器视觉系统中的跟踪指示器的初始状态通常由指示器给出,并且为语义层分析义务提供必要的运动信息。 因此,指标的检测是高层次理解和应用的基本义务。 其本能的本能将直接影响指标跟踪,行动识别和行为理解的后续跟进的本能。 根据算法处理的不同对象,索引检测大致可分为两类:基于场景建模的索引检测方法和基于视觉建模指标的检测方法。 其中,确定了基于场景建模的方法,建立场景模型与时间的关系,间接识别运动的视觉,最终得到预期得分的指标; 基于透视指标建模的方法是决定设定指标。 表观模型,设计适当的分类器来分类和检测视频中的指标。 IV。 归纳随着人工神经网络的快速发展,卷积网络的共享权重,培训所需的少数配置参数以及强大的鲁棒性使其成为热门话题。 卷积网络决策权重共享减少了训练所需的参数数量,降低了网络的设计和策略的模糊性,同时,池化操作使得网络对输入的部分变换具有一定的稳定性。 ,促进网络的泛化。 天赋。 卷积网络直接将原始数据输入神经网络,然后隐含地从数据中执行自我依赖。。 尽管卷积网络的这些特性已经使它们被广泛用于各种类别,例如模式识别和人工智能,但在卷积网络中还有许多事情需要进一步讨论; 例如,在处理特定义务时,很难。 有必要确定所需的卷积层和汇集层的数量,以及每层中使用多少卷积核和速度来使训练达到最佳。 总的来说,卷积网络在模式识别和人工智能领域的发展和应用使其成为人们长期以来的热门话题。 包含新的理论和技术以及新结果的呈现将将卷积网络应用于更多新类别。 [参考文献] [1] Yann LeCun,Leon Bottou,Yoshua Bengio,et al。 基于梯度的学习应用于文档识别。 IEEE会计学报,1998,86(11):2278-2324 [2]高立刚,陈派玉,于世猛。 电阻交叉点阵列上卷积核运算的证明。 IEEE电子器件快报,2016,37(7):870-873 [3]尹伟,严磊。 基于深度卷积神经网络的图像索引检测[J]。工业物流文化,2017,30(4):96-97
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0426/86643/
 与本篇相关的热门内容: