發(fā)布時(shí)間：2020-07-31 12:36

【摘要】：卷積神經(jīng)網(wǎng)絡(luò)模型,簡稱CNN,是經(jīng)典的深度學(xué)習(xí)模型,在圖片識別領(lǐng)域取得了顯著的成就。圖像數(shù)據(jù)與其他數(shù)據(jù)不同,很難通過人為理解進(jìn)行特征提取。而CNN通過卷積層和池化層的設(shè)計(jì),能夠直接從輸入數(shù)據(jù)中進(jìn)行學(xué)習(xí),不僅避免了數(shù)據(jù)預(yù)處理,還能用到空間結(jié)構(gòu)信息減少參數(shù)量,提高訓(xùn)練效率。因此CNN能在圖片識別領(lǐng)域廣泛應(yīng)用。但CNN模型也存在結(jié)構(gòu)復(fù)雜、計(jì)算量大、訓(xùn)練成本高、訓(xùn)練時(shí)間長等不足之處。其中CNN模型的參數(shù)眾多,調(diào)參過程復(fù)雜又耗時(shí)。在實(shí)際應(yīng)用中,訓(xùn)練一個(gè)準(zhǔn)確率很高的CNN模型需要花費(fèi)很多時(shí)間和精力。但是,訓(xùn)練一個(gè)準(zhǔn)確率比隨機(jī)猜測好一些的CNN模型就容易得多。由Boosting算法可知,弱分類器不斷從錯(cuò)誤中學(xué)習(xí),通過迭代來降低犯錯(cuò)概率,那么多個(gè)弱分類器就可以組合成為一個(gè)強(qiáng)分類器。因此本文的主要思想就是基于Boosting算法,組合多個(gè)弱CNN模型以實(shí)現(xiàn)比較高的準(zhǔn)確率。Boosting算法眾多,其中XGBoost是極限梯度提升算法,對損失函數(shù)進(jìn)行二階泰勒近似,訓(xùn)練速度快。因此本文基于XGBoost算法改進(jìn)CNN模型,提出XGBoost-CNN模型。具體地,以CNN模型作為XGBoost算法的基分類器,然后探究其在圖片識別上的分類效果。本文對肝癌圖片數(shù)據(jù)集進(jìn)行識別分析,為了提高訓(xùn)練效率還用到了多線程并行、二進(jìn)制文件存儲、數(shù)據(jù)增強(qiáng)、遷移學(xué)習(xí)等改進(jìn)方法。研究發(fā)現(xiàn),XGBoost-CNN模型在肝癌圖片測試集的準(zhǔn)確率達(dá)86%,而且與隨機(jī)森林、XGBoost相比也具有明顯的優(yōu)勢。因此,XGBoost-CNN模型可以有效地應(yīng)用于圖片識別問題。
【學(xué)位授予單位】：廈門大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：C81
【圖文】：

點(diǎn)之間連接權(quán)重，實(shí)現(xiàn)信息處理。神經(jīng)網(wǎng)絡(luò)的發(fā)展跌宕起伏，從最初的模型到ＢＰ神經(jīng)網(wǎng)絡(luò)，再到近年來興起的深度學(xué)習(xí)，它一直在曲折中前進(jìn)要介紹神經(jīng)網(wǎng)絡(luò)的基本概念、ＢＰ神經(jīng)網(wǎng)絡(luò)、ＣＮＮ模型和Ｇｏｏｇｌｅ邋Ｉｎｃｅｐｔｉｏｎ型。逡逑神經(jīng)網(wǎng)絡(luò)的基本概念逡逑．１神經(jīng)元逡逑人工神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本單位，其基本要素包括突觸、求和單元和。（有的時(shí)候?yàn)榱撕啽闫鹨�，把求和單元和激活函�?shù)畫在同一個(gè)節(jié)點(diǎn)上）圖２－１。逡逑

常用的函數(shù)是雙曲正切函數(shù)，它是Ｓｉｇｍｏｉｄ函數(shù)的變形，區(qū)間，有時(shí)會產(chǎn)生更好的實(shí)際利益。表達(dá)式為：逡逑／00邋＝邋－價(jià)丨＝＆邐／邐ｆ（ｘ）邋５邐／逡逑１邋」邐邋0１邋’－１０邐－５邐０邐５邐１０邐－１０邐－５邐０邐５ｘ邐ｘ逡逑圖２－３雙曲正切函數(shù)（左）和ＲｅＬＵ函數(shù)（右）逡逑

ｉｆ邋：邐ａ邋ｖａｌｕｅ逡逑�。贿娨诲澹幔剑板澹靛义希妫ǎ兀╁�°－５邐１邐－ａ＝１逡逑／ｉ一逡逑ｊ逡逑－１０邐－５邐０邐５邐１０逡逑Ｘ逡逑圖邋２－２邋Ｓｉｇｍｏｉｄ邋函數(shù)逡逑另一種常用的函數(shù)是雙曲正切函數(shù)，它是Ｓｉｇｍｏｉｄ函數(shù)的變形，其值域是－１逡逑到１的連續(xù)區(qū)間，有時(shí)會產(chǎn)生更好的實(shí)際利益。表達(dá)式為：逡逑／00邋＝邋－價(jià)丨＝＆邐（２．２）逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 馬煥芳;趙歆波;鄒曉春;;基于MapReduce的卷積神經(jīng)網(wǎng)絡(luò)算法研究[J];中國體視學(xué)與圖像分析;2015年04期

2 陳栩杉;張雄偉;喬林;王健;李治中;;第2講 深度學(xué)習(xí)基本理論概述[J];軍事通信技術(shù);2015年04期

3 劉琮;許維勝;吳啟迪;;時(shí)空域深度卷積神經(jīng)網(wǎng)絡(luò)及其在行為識別上的應(yīng)用[J];計(jì)算機(jī)科學(xué);2015年07期

4 呂雁飛;侯子驕;張凱;;多分類BP-AdaBoost算法研究與應(yīng)用[J];高技術(shù)通訊;2015年05期

5 柴瑞敏;曹振基;;基于改進(jìn)的稀疏深度信念網(wǎng)絡(luò)的人臉識別方法[J];計(jì)算機(jī)應(yīng)用研究;2015年07期

6 林少飛;盛惠興;李慶武;;基于堆疊稀疏自動編碼器的手寫數(shù)字分類[J];微處理機(jī);2015年01期

7 宣森炎;龔小謹(jǐn);劉濟(jì)林;;基于聯(lián)合卷積和遞歸神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識別[J];傳感器與微系統(tǒng);2014年08期

本文編號：2776478