基于正交试验设计下的卷积神经网络在图像识别上的研究与应用
卷积神经网络(CNN)是目前最为流行的深度神经网络的一种,尤其在图像识别上有着非常广泛的应用.但是作为多层神经网络的一种,其有着众多超参数的选择组合问题,这些超参数直接影响着卷积神经网络在图像识别上的泛化性能.为解决传统的超参数穷举搜索或是凭经验试取的方法的难点,本文从正交实验设计的角度出发,提出了用正交实验设计选择CNN的超参数的方法.通过CNN各种参数间的正交性与交互性,获取在具体应用上的最佳超参数组合下的CNN模型.本文将分别对经典的Cifar-10数据集与MNIST手写数字数据集的CNN建模进行了超参数组合的正交实验优化设计,实验结果验证了正交试验设计在CNN的超参数选取上具有可靠性,其简单实用与高时效性更有助于CNN在实际工程用的应用.
卷积神经网络、正交实验设计、超参数、图像识别
14
TP3(计算技术、计算机技术)
2018-04-25(万方平台首次上网日期,不代表论文的发表时间)
共3页
203-205