基于深度卷积神经网络的图像分类.doc

(完整word版)基于深度卷积神经网络的图像分类(完整word版)基于深度卷积神经网络的图像分类PAGE\*MERGEFORMAT-25-(完整word版)基于深度卷积神经网络的图像分类MACROBUTTONMTEditEquationSection2EquationChapter1Section1SEQMTEqn\r\h\*MERGEFORMATSEQMTSec\r1\h\*MERGEFORMATSEQMTChap\r1\h\*MERGEFORMATSHANGHAIJIAOTONGUNIVERSITY论文题目：基于卷积神经网络的自然图像分类技术研究姓名:高小宁专业：控制科学与工程PAGE\*MERGEFORMAT-1-基于卷积神经网络的自然图像分类技术研究摘要:卷积神经网络已在图像分类领域取得了很好的效果，但其网络结构及参数的选择对图像分类的效果和效率有较大的影响。为改善卷积网络的图像分类性能，本文对卷积神经网络模型进行了详细的理论分析，并通过大量的对比实验，得出了影响卷积网络性能的因素。结合理论分析及对比实验，本文设计了一个卷积层数为8层的深度卷积网络,并结合BatchNormalization、dropout等方法，在CIFAR—10数据集上取得了88。1％的分类精度，有效地提高了卷积神经网络的分类效果。关键词：卷积神经网络，图像分类，BatchNormalization，DropoutResearchonNaturalImageClassificationBasedonConvolutionNeuralNetworkAbstract:Convolutionneuralnetworkhasachievedverygoodresultsinimageclassification,butitsnetworkstructureandthechoiceofparametershaveagreaterimpactonimageclassificationefficiencyandefficiency.Inordertoimprovetheimageclassificationperformanceoftheconvolutionnetwork,aconvolutionalneuralnetworkmodelisanalyzedindetail，andalargenumberofcontrastiveexperimentsareconductedtogetthefactorsthatinfluencetheperformanceoftheconvolutionnetwork。Combiningthetheoryanalysisandcontrastexperiment,aconvolutionlayerdepthconvolutionnetworkwith8layersisdesigned.CombinedwithBatchNormalizationanddropout，88.1％classificationaccuracyisachievedonCIFAR-10dataset。Whichimprovestheclassificationeffectofconvolutionneuralnetwork。KeyWords：Convolutionneuralnetwork（CNN)，imageclassification，BatchNormalization,Dropout目录TOC\o”1-3”\h\z\uHYPERLINK\l”_Toc471595200”基于卷积神经网络的自然图像分类技术研究PAGEREF_Toc471595200\h-1-HYPERLINK\l"_Toc471595201"1引言PAGEREF_Toc471595201\h—3-HYPERLINK\l"_Toc471595202"2卷积神经网络的模型分析PAGEREF_Toc471595202\h—4—HYPERLINK\l”_Toc471595203”2。1网络基本拓扑结构PAGEREF_Toc471595203\h-4—HYPERLINK\l”_Toc471595204”2.2卷积和池化PAGEREF_Toc471595204\h—5—HYPERLINK\l”_Toc471595205”2.3激活函数PAGEREF_Toc471595205\h—6-HYPERLINK\l”_Toc471595206”2.4Softmax分类器与代价函数PAGEREF_Toc471595206\h—7-HYPERLINK\l"_Toc471595207”