一种异构神经网络集成协同构造算法

提出一种异构神经网络集成的协同构造算法(HNNECC).首先利用进化规划同时进化网络拓扑结构和连接权值,生成多个异构最优网络,然后对异构网络进行组合.在构造神经网络集成的过程中通过协同合作,保持各网络间的负相关,从而在提高成员网络精度的同时增加各成员网络之间的差异度.利用统计学习理论对算法进行分析,表明该方法具有很好的泛化性能.分别在四个数据集上进行了实验,相对于单个网络,本文方法可提高性能17%到85%,亦优于Bagging等传统固定结构的神经网络集成方法.

基于新型进化规划的异构神经网络集成算法

为了进一步提高集成算法的泛化性能,增强个体网络生成过程的客观性,提出一种基于新型进化规划的异构神经网络集成算法.该算法首先利用改进的进化规划生成多个异构的最优网络,然后对异构网络进行组合求解.仿真实验表明,文中算法能够克服传统集成算法中成员网络结构固定、缺乏个体精度的缺点,具有比传统集成算法更好的泛化性能和更少的随机不确定因素.

异构神经网络图像量化算法的相关探讨

脉冲耦合神经网络模型的构建灵感源自哺乳动物视觉皮层,在该模型基础上,利用异构神经网络,可以构建出一种异构神经网络图像量化算法。本文首先对脉冲耦合神经网络作出分析,然后对一种异构神经网络图像量化算法的提出、应用流程与应用效果展开探讨。

基于异构卷积神经网络集成的无监督行人重识别方法

行人重识别旨在从不同的摄像头中识别目标行人的图像.由于不同场景之间存在域偏差,在一个场景中训练好的重识别模型无法直接应用在另一个场景中.为克服该问题,现有的无监督行人重识别方法倾向通过使用聚类算法获得伪标签,再利用伪标签训练重识别模型.但是,由于聚类结果是不准确的,这类方法会引入大量噪声标签,从而限制了模型的泛化能力.因此,为减轻噪声伪标签的影响,本文提出了一种基于异构卷积神经网络集成的无监督行人重识别方法.该框架不使用任何人工标记信息,自动推测目标域中行人图像之间的关系,并构建协作可信实例选择机制,选择可信度高的伪标签用于模型的训练.通过设计双分支异构卷积神经网络学习判别能力强的多种行人特征,并利用记忆单元存储训练过程中的全局特征,减少因噪声标签在训练过程中产生的波动,提高模型的鲁棒性.本文方法在多个公开行人数据集上进行了验证并得到了良好的实验结果.在Market1501和DukeMTMC-reID数据集上,mAP分别达到了85.4%和74.8%.

基于双层异构深度神经网络模型的人脸识别关键技术研究

伴随着人工智能的快速发展,人脸识别技术在社会领域和工业领域都呈现出较广泛的应用潜力空间,但由于传统人脸识别技术识别率低,识别速度慢,对环境要求非常高,迫切需要革新方法。本文旨在研究如何将深度学习算法引入人脸识别领域,通过构建双层异构深度神经网络模型,模拟神经网络进行学习,使用CNN与DBN等众多模型让计算机逐渐根据大量数据特征学会识别图像与人脸,并对人脸识别领域关键技术难点进行深入研究,从而大幅度提升人脸识别技术的识别率与鲁棒性。

一种改进的HSPCNN图像分割算法

针对异构简化脉冲耦合神经网络(heterogeneous simplified pulse coupled neural network,HSPCNN)阈值向量难以设定以及现有综合评价不完善的问题,提出一种改进的HSPCNN图像分割(an improved image segmentation algorithm based on HSPCNN,PHSPCNNM)算法。以阈值向量为优化目标,通过引入信息熵评价参数改进现有综合评价准则,然后将改进的综合评价准则作为粒子群的适应度函数,通过粒子群优化得到最优分割图像。实验结果表明,改进算法分割效果更理想。