一种改进的BP神经网络在手写体识别上的应用

传统的浅层学习神经网络虽然结构简单,算法速度快,但错误率较高,且容易陷入局部最小。文中采用深度结构的深度置信网,优化基于传统BP神经网的初始值,以获得较好的检测结果,并利用Dropout技术改进BP网络隐层单元,获得较快的运算速度。实验证明,经过DBN和Dropout改善后的网络错误率有明显降低,并且算法实时性得到了一定改善。

融合稀疏自表示和残差驱动的自适应模糊C均值聚类

提出一种融合稀疏自表示和残差驱动的自适应模糊C均值聚类算法(R2AFCM).该算法的优点主要体现在以下两个方面:1)利用稀疏自表示技术求解样本数据的字典矩阵,并将其表征的全局信息考虑到目标函数中,充分考虑数据分布特点,改进传统模糊C均值聚类算法重点关注局部信息的不足;2)在目标函数中引入加权残差估计正则化项,与自适应模糊聚类算法的正则化项相结合,约束模型训练,有效降低混合噪声对分割结果的影响.在磁共振成像、VOC 2012数据集以及自然图像上进行对比实验,结果表明,所提出的聚类算法在添加了20%椒盐噪声和均值为0.4、方差为0.01的高斯噪声,以及50%椒盐噪声和均值为0、方差为0.1的混合噪声下与其他算法相比,具有更高的分割精度和更强的鲁棒性.