深度学习-卷积神经网络算法简介(可编辑修改word版)_第1页
深度学习-卷积神经网络算法简介(可编辑修改word版)_第2页
深度学习-卷积神经网络算法简介(可编辑修改word版)_第3页
深度学习-卷积神经网络算法简介(可编辑修改word版)_第4页
深度学习-卷积神经网络算法简介(可编辑修改word版)_第5页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

深度学习卷积神经网络算法简介李宗贤北京信息科技大学智能科学与技术系卷积神经网络是近年来广泛应用在模式识别、图像处理领域的它的权值共享网络结构使之更类似与生物神经网络，降低了网络的复杂度，减少了权值的数量。以二维图像直接作为网络的输入，避免了传统是被算法中复杂的特征提取和数据重建过程。卷积神经网络是为识别二维形状特殊设计的一个多层感知器，这种网络结构对于平移、比例缩放、倾斜和其他形式的变形有着高度的不变形。卷积神经网络的结构卷积神经网络是一种多层的感知器，每层由二维平面组成，而每个平面由多个独立的神经元组成，网络中包含一些简单元和复杂CSC，SCN（N，然后特征映射图经过求和、加权值和偏置，再通过一个激活函数（SigmoidSCS卷积的过程：用一个可训练的滤波器fx去卷积一个输入的图像（C1）Sigmoidbx，CxMj值：𝑋𝑙

𝑓∙(∑

𝑋𝑙‒1∗𝑘

+𝑏𝑙𝑗=

𝑖∈M𝑗

𝑖𝑗

𝑗)m（m）求和Wx+1bx+1，然后SigmoidNNdown（）示下采样函数。𝑋𝑙=𝑓∙ 𝛽𝑙

𝑋𝑙‒1

𝑏𝑙

𝑋𝑙𝑗 (𝑗down

𝑗 )

𝑗)

𝑗)卷积神经网络的训练过程卷积神经网络在本质上是一种输入到输出的映射，它能够学习大量的输入和输出之间的映射关系，而不需要任何输入和输出之间的精确数学表达式。用已知的模式对卷积网络加以训练，网络就具有了输入输出对之间的映射能力。卷积神经网络执行的是有监督的导师训练，所以样本集是由形如（输入向量，理想输出向量）的向BP441、 向前传播过程从样本集中读取（X,Y）,XOp。在此阶段，信息从输入层经过逐层变换，传送到输出层，输入与每层的权值矩阵点乘，得到输出结果：Op=Fn（…(F2(F1(XpW(1))W(2))…)W(n)）2、 向后传播阶段计算实际输出和理想输出的差值按极小误差发反向传播调整权值矩阵卷积神经网络的优点卷积神经网络主要用于识别位移、缩放及其它形式扭曲不变形的二维图像。由卷积神经网络的特征检测层通过训练，由于同一特征平面上的神经元权值相同，所以网络可以并行学习，这种以局部使其布局更类似于生物神经网络。卷积神经网络较一般神经网络在图像识别方面有如下优点：建等计算过程。输入图像和网络的拓扑结构能有很好的吻合。特征提取和模式分类同时进行，并在训练中产生。应性

人人文库> 全部分类> 行业资料 > 管理策划

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论