数字图像识别的代价函数选择和性能评价

针对传统二次代价函数在卷积神经网络训练过程中图像识别准确率不高的问题,提出基于交叉熵代价函数的卷积神经网络算法。经数学推导,证明交叉熵代价函数较二次代价函数在图像识别中精度更高,并应用MNIST数据集和CIFAR-10数据集,使用AlexNet卷积神经网络,分别采用二次代价函数和交叉熵代价函数对图像识别模型进行训练,当数字图像识别精确率和损失值稳定后,使用测试数据对代价函数进行多次测试,对比识别准确率。仿真结果表明,此方法不仅能提高数字图像识别的准确率,而且相较于传统的代价函数,训练模型速度更快,明显缩减了训练深度神经网络模型的过程。

基于神经网络学习控制的图像挖掘算法

针对传统神经网络算法进行图像分类识别时收敛速度慢,学习过程中可能出现震荡甚至收敛于局部极小值的情况,提出了一种小波变换融合神经网络的图像分类识别方法.利用高斯小波基函数取代神经网络隐含层中的隐节点函数,采用小波神经网络参数初始化方法和改进的模拟退火算法自适应调整学习过程中的网络权值参数,从而解决了神经网络的学习效率低等情况.结果表明,本文方法对5类动物图片的正确分类识别率为84.0%,较传统神经网络和稀疏表示的正确分类识别率提高了4.2%和6.1%.

基于脉冲神经网络的迁移学习算法与软件框架

使用脉冲序列进行数据处理的脉冲神经网络具有优异的低功耗特性,但由于学习算法不成熟,多层网络训练存在收敛困难的问题。利用反向传播网络具有学习算法成熟和训练速度快的特点,设计一种迁移学习算法。基于反向传播网络完成训练过程,并通过脉冲编码规则和自适应的权值映射关系,将训练结果迁移至脉冲神经网络。实验结果表明,在多层脉冲神经网络中,迁移学习算法能够有效解决训练过程中收敛困难的问题,在MNIST数据集和CIFAR-10数据集上的识别准确率分别达到98.56%和56.00%,且具有微瓦级别的低功耗特性。