论文部分内容阅读
神经网络是人工智能方向的重要分支,擅长处理各种各样的数据。神经网络的算法和模型多种多样,其中极端学习机是一个典型的浅层神经网络,擅长处理小型的分类和回归任务;卷积神经网络是一种典型的深层神经网络,擅长提取图像的特征,可以完成图像的分类和识别等任务。目前这些神经网络在诸多领域都取得了很大的成功。但是大多数神经网络都是不完美的,使用时都有一些缺陷。因此本文提出了两个改进的神经网络算法,并将两个改进后的网络进行结合,结合后的网络应用在图像分类数据集上表现出很好的性能。本文的具体研究成果和实际意义描述如下:(1)残差神经网络是目前广泛应用的一种卷积神经网络模型,它在基础卷积神经网络中增加了很多技巧进而能有更好的泛化性能。但是该网络还有很多可以改进的地方,本文针对残差神经网络进一步改善信息和梯度的传递,提出了全卷积多并联残差神经网络(Fully Convolutional Multi-parallel Residual Neural Network,FCM-Resnet),并将其应用在三个经典图像分类数据集上,通过与InceptionV3、Densenet121和Resnet等网络对比,该网络有更高的测试正确率。(2)虽然全卷积多并联残差神经网络进一步改善了网络的性能,但仍然有待改进的地方,本文提出了一种新的算法替代网络中的分类层。这个新算法是针对极端学习机中存在的网络受随机初始化的输入权值和隐层阈值影响较大等问题进行改进的,称为双向学习机(Bidirectional Learning Machine,BLM)。将改进后的算法与ELM、IELM和FLN等算法进行对比,BLM在分类和回归数据集有明显的优势。最后,为了进一步验证网络有效性,将BLM网络在现场采集的实际数据进行验证,与ELM和LSFLN相比表现出更好的泛化性能。(3)在FCM-Resnet和BLM基础上本文提出了一种组合算法——FCM-ResnetBLM。鉴于BLM的优越性,该组合算法利用BLM替代FCM-Resnet的分类层,进而提高网络的性能。最后在四个图像分类数据集上测试网络的分类效果,组合网络的分类正确率明显高于BLM等网络。