版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、隨著信息技術(shù)的不斷發(fā)展,以神經(jīng)網(wǎng)絡(luò)為載體的深度學習逐漸成為了現(xiàn)階段各種先進技術(shù)的代名詞。神經(jīng)網(wǎng)絡(luò)技術(shù)從上世紀出現(xiàn)以后,各種基于神經(jīng)網(wǎng)絡(luò)的模型逐漸用來解決實際場景中的各種問題。特別是在2012年的大規(guī)模圖像分類競賽中,基于深度學習的模型將分類結(jié)果提升了11個百分點以后,便促進了現(xiàn)階段深度學習浪潮的形成。深度學習技術(shù)將人們從繁雜的人工設(shè)計特征轉(zhuǎn)換成了自動學習有效特征,強化模型抽象學習的能力,極大的促進了圖像識別、圖像檢測、語音識別、追蹤等技
2、術(shù)的發(fā)展。
極速學習機自從2004年提出以來,在過去的十幾年間,有了長足的發(fā)展。首先各種理論研究的出現(xiàn)為極速學習機的發(fā)展奠定了堅實的基礎(chǔ),其次基于極速學習機的應(yīng)用,將其拓展到了真實場景中。不過在極速學習機中,不管從權(quán)值初始化還是更為有效的特征表達以及深度學習模型上,都有許多問題需要解決。
本文從極速學習機入手,探索了其權(quán)值初始化和分布式表達,并且提出并驗證了卷積極速學習機。本文將通過如下三個方面開展:
首先
3、,對權(quán)值初始化進行了研究,探究了權(quán)值初始化對于極速學習機的影響。所提出的方法可以解決極速學習機的隨機特征表達不具有緊湊性和判別性的問題,同時為其他方法提出了一個快速有效的權(quán)值初始化的解決方案;
其次,對于極速學習機的特征表達進行了研究。分布式表達是特征表達中比較常用的方式,在極速學習機不需要權(quán)值調(diào)整的前提下,提出了基于極速學習機的分布式特征表達方式,不但可以將類別信息通過特征組合引入模型結(jié)構(gòu)中,而且提高了極速學習機的性能;
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于極速學習機的高光譜圖像分類研究.pdf
- 基于稀疏學習和深度極限學習機的極化SAR圖像半監(jiān)督分類.pdf
- 極速學習機優(yōu)化方法研究.pdf
- 基于深度學習的極限學習機算法研究.pdf
- 云環(huán)境下的極速學習機研究.pdf
- 基于小波和極速學習機的織物疵點檢測和分類.pdf
- 深度學習算法研究及其在圖像分類上的應(yīng)用.pdf
- 基于深度學習的圖像分類的研究.pdf
- 基于分塊KPCA和極限學習機的圖像分類識別研究.pdf
- 基于極端學習機的分類方法研究.pdf
- 基于深度學習模型的圖像分類研究.pdf
- 基于極限學習機的圖像標注研究.pdf
- 基于深度學習的圖像情感分類研究.pdf
- 基于深度學習的圖像分類方法研究.pdf
- 基于極限學習機的半監(jiān)督分類.pdf
- 深度極限學習機的研究與應(yīng)用.pdf
- 基于深度學習的醫(yī)學圖像模式分類研究.pdf
- 基于深度學習的醫(yī)學圖像分類方法研究.pdf
- 基于深度學習的圖像分類技術(shù)研究.pdf
- 基于深度學習的干涉SAR圖像分類.pdf
評論
0/150
提交評論