基于卷积神经网络图像分类优化算法的研究与验证

摘要

卷积神经网络属于深度学习领域研究的范围，是一种高效的识别方法，卷积神经网络具有三个特点分别为参数共享，局部感知和子采样操作，这三个特点使得训练参数减少，训练速度加快，在训练过程中具有良好表现，目前卷积神经网络已经广泛的并且良好的应用在生活各个方面，特别是在图像分类任务，语音识别，文本识别，路标识别等方面。但其发展过程中还存在一些问题。本文将对卷积神经网络在图像分类领域进行研究，目的是希望提高图像分类的精准率，降低错误率。
　　激活函数通过非线性函数把激活的神经元的特征保留并映射出来，因此对于网络性能有很大的影响，但是目前激活函数的选择是一个问题，不同的激活函数具有不同的优缺点，需要耗费大量的时间与精力来确定最优的激活函数。本文主要针对激活函数选择困难的问题，提出基于Relu-Softplus激活函数的卷积神经网络，并在手写数字字体MNIST数据集上进行实验，加以验证其性能，并且同其他不同的激活函数进行比对，分析其图像分类的错误率，以及收敛速度的快慢，最终达到优化卷积神经网络的性能和解决确定最优激活函数困难等问题的目的。
　　卷积神经网络中的学习方式常见的有两种，有监督学习方法和无监督学习方法，有监督学习即从已标记的训练样本中学习到映射函数，但是需要大量的训练样本，并且易出现过拟合等问题。而无监督学习不要求训练样本带有标签，希望学习到更过抽象隐藏的特征结构，但具有训练时间长，训练过程繁琐等缺点。本文主要针对此问题，提出基于K-means算法的卷积神经网络，并在CIFAR-10数据集上进行实验，加以验证其性能，并分析比较不同的网络框架对图像分类精准率的影响。
　　最后本论文将卷积神经网络应用在路标识别系统上，并且设计了一个路标识别系统，从系统的需求分析，概要设计，详细设计以实现等方面进行了阐述。并将本文提出的基于K-means算法的卷积神经网络应用在路标识别系统中，最后在德国交通标志识别GTRSB数据集上进行训练测试，并同其他知名的算法进行比较，加以验证了基于K-means算法的卷积神经网络在路标识别系统的应用中对于路标分类的准确性，可靠性以及时效性方面确实有一定的提升。

目录

声明

致谢

摘要

1 引言

1．1 研究的背景及意义

1．2 国内外研究现状

1．3 卷积神经网络中存在的不足

1．4 本论文的结构安排

1．5 本章小结

2 卷积神经网络相关理论及技术

2．1 概述

2．2 卷积神经网络的原理及特点

2．2．1 局部连接

2．2．2 权值共享

2．2．3 子采样操作

2．2．4 多卷积核

2．3 卷积神经网络的结构

2．3．1 卷积

2．3．2 池化

2．3．3 分类器

2．4 卷积神经网络的训练

2．4．1 向前传播与向后传播

2．4．2 单层神经网络训练

2．4．3 多层神经网络训练

2．5 卷积神经网络的优化

2．5．1 损失函数

2．5．2 随机梯度下降法

2．5．3 dropout

2．5．4 dropComaect

2．6 本章小结

3 基于Relu-Softplus激活函数的卷积神经网络

3．1 激活函数的作用

3．2 常见的激活函数及存在的问题

3．2．1 Sigmoid激活函数

3．2．2 Tanh激活函数

3．2．3 Relu激活函数

3．3 基于Relu-Softplus激活函数的卷积神经网路

3．4 实验验证

3．4．2 验证数据集描述--MNIST手写字体数据集

3．4．3 实验结果及分析

3．5 本章小结

4 基于K-means算法的卷积神经网络

4．1 有监督学习与无监督学习

4．1．1 有监督学习

4．1．2 无监督学习

4．1．3 两种学习方式的优缺点

4．2 基于K-means算法的卷积神经网络

4．3 其他深度学习框架—PCANet

4．4 实验验证

4．4．2 实验结果及分析

4．5 本章小结

5 卷积神经网络在路标识别系统中的应用

5．1 系统概述

5．2 系统需求分析

5．2．1 系统的功能性需求

5．2．2 系统的非功能性需求

5．3 系统概要设计

5．3．1 路标识别系统的功能模型

5．3．2 用户中心模块划分

5．3．3 路标检测模块划分

5．3．4 图像预处理模块划分

5．3．5 路标识别模块划分

5．4 系统详细设计与实现

5．4．1 系统开发环境

5．4．2 登录界面

5．4．3 系统主界面

5．4．4 路标检测界面

5．4．5 图像预处理界面

5．4．6 路标识别界面

5．5 实验验证

5．5．1 GTSRB数据集

5．5．2 GTSRB数据预处理

5．5．3 路标识别

5．5．4 实验结果分析

5．6 本章小结

6 总结与展望

6．1 总结

6．2 展望

参考文献

作者简历及攻读硕士／博士学位期间取得的研究成果

学位论文数据集