[发明专利]一种基于改进AdaBoost算法的集成深度信念网络图像识别方法在审
| 申请号： | 201710485184.9 | 申请日： | 2017-06-23 |
| 公开（公告）号： | CN107330456A | 公开（公告）日： | 2017-11-07 |
| 发明（设计）人： | 陈秀宏;田进 | 申请（专利权）人： | 江南大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/08 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 214122 江苏*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明给出一种基于改进AdaBoost算法的集成深度信念网络图像识别方法，一定程度上解决了图像识别效果与深度网络规模之间的矛盾，提高了图像识别的效率，其主要特征是(1)分别训练若干个规模不同的并行深度信念网络(DBN)模型以及相应的分类器；(2)利用AdaBoost算法将多个不同结构的DBN分类器集成为强分类器；(3)对强分类器的参数通过BP算法进行整体性深度微调，在相对较短的时间内通过迭代调整得到较好的局部最优解，从而在减少误差的同时能提高模型的分类效果。 | ||
| 搜索关键词： | 一种 基于 改进 adaboost 算法 集成 深度 信念 网络 图像 识别 方法 | ||
【主权项】：
一种基于改进AdaBoost算法的集成深度信念网络图像识别方法。为有效地利用深度信念网络(DBN)模型识别图像，本发明在控制网络模型规模和减少训练时间的同时能获得良好的图像表达能力，提高了模型对图像的识别率，从而解决了高识别率与深网络模型规模之间的矛盾，为有效地对图像进行分类与识别提供一种有效的方法。其特征在于：(1)构建n个规模不同(主要是网络的层数)且相互独立的并行深信念网络(DBN)模型及对应的n个DBN弱分类器；(2)利用AdaBoost算法计算每个DBN弱分类器所分配的权值以及每个样本经过分类器后的权值，并将这n个DBN弱分类器依据其权值集成为强分类器；(3)在利用BP算法整体性微调强分类器参数时，将其整体残差依据各弱分类器的贡献率按比例地进行传递。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于江南大学，未经江南大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201710485184.9/，转载请声明来源钻瓜专利网。
