计算机应用与软件
計算機應用與軟件
계산궤응용여연건
COMPUTER APPLICATIONS AND SOFTWARE
2014年
4期
182-184,213
,共4页
深度学习%卷积神经网络%信念网络%字符识别%图像分类
深度學習%捲積神經網絡%信唸網絡%字符識彆%圖像分類
심도학습%권적신경망락%신념망락%자부식별%도상분류
Deep learning%CNN%Brief networks%Character recognition%Image classification
基于卷积神经网络和深度信念网络各自的优点，通过把卷积神经网络的局部感受野引入到深度信念网络的单层中，把深度信念网络的单层分成多个子 RBM，提出一种改进的深度信念网络。分别用 BP 网络、卷积神经网络、深度信念网络和改进的深度信念网络对模型 MNIST 和 Cifar-10数据库进行小图像分类识别实验；根据实验结果，改进的深度信念网络在 Cifar-10库上错误率为30．16％，比卷积神经网络低了9％，比传统的深度信念网络低了40％；在 MNIST 上的识别错误率为1．21％，比传统的深度信念网络分别降低了16％，略高于卷积神经网络。试验结果表明改进的 DBN 网络在小图像分类应用中是有效的。
基于捲積神經網絡和深度信唸網絡各自的優點，通過把捲積神經網絡的跼部感受野引入到深度信唸網絡的單層中，把深度信唸網絡的單層分成多箇子 RBM，提齣一種改進的深度信唸網絡。分彆用 BP 網絡、捲積神經網絡、深度信唸網絡和改進的深度信唸網絡對模型 MNIST 和 Cifar-10數據庫進行小圖像分類識彆實驗；根據實驗結果，改進的深度信唸網絡在 Cifar-10庫上錯誤率為30．16％，比捲積神經網絡低瞭9％，比傳統的深度信唸網絡低瞭40％；在 MNIST 上的識彆錯誤率為1．21％，比傳統的深度信唸網絡分彆降低瞭16％，略高于捲積神經網絡。試驗結果錶明改進的 DBN 網絡在小圖像分類應用中是有效的。
기우권적신경망락화심도신념망락각자적우점，통과파권적신경망락적국부감수야인입도심도신념망락적단층중，파심도신념망락적단층분성다개자 RBM，제출일충개진적심도신념망락。분별용 BP 망락、권적신경망락、심도신념망락화개진적심도신념망락대모형 MNIST 화 Cifar-10수거고진행소도상분류식별실험；근거실험결과，개진적심도신념망락재 Cifar-10고상착오솔위30．16％，비권적신경망락저료9％，비전통적심도신념망락저료40％；재 MNIST 상적식별착오솔위1．21％，비전통적심도신념망락분별강저료16％，략고우권적신경망락。시험결과표명개진적 DBN 망락재소도상분류응용중시유효적。
Based on the advantages of both convolutional neural networks (CNN)and deep belief networks (DBN)each,by introducing CNN’s local respective field to the single layer of a DBN and dividing such single layer into many sub-RBM(restricted Boltzmann machine), we present an improved DBN.Tiny image classification and recognition experiments is conducted on model MNIST and Cifar-10 database using BP network,CNN,DBN and improved DBN respectively.According to experimental results,the error rate of the improved DBN on Cifar-10 is 30.16%,9% decreasethan the CNN’s,and 40% decrease than traditional DBN’s;the recognition error rate on MNIST is 1.21%,16% decrease than traditional DBN’s,and a little higher than CNN’s.Test result demonstrates that the improved DBN is effective in tiny image classification application.
