改进的Dropout正则化卷积神经网络

摘要：

针对深度卷积神经网络(CNN)中出现的过度拟合的问题,给出了一种改进的结构,训练阶段采用Dropout正则化,测试阶段采用了模型平均方法且同时考虑了保留概率和池化区域内单元值所占概率.仿真实验表明:在MNIST手写数据库和CMU—PIE的部分图像库中,相同迭代次数及CNN结构下新算法均优于其他方法,不仅能够得到更好的识别率而且更能防止过拟合的问题.

关键词：深度学习、卷积神经网络、Dropout、图像识别、模型平均

所属期刊栏目：37

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金资助项目61373055;江苏省2015年度普通高校研究生科研创新计划资助项目KYLX151191

在线出版日期：2018-05-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：44-47