10.3969/j.issn.1000-3428.2017.04.044
基于CNN-GRNN模型的图像识别
卷积神经网络(CNN)模型在图像识别中取得了良好的效果,但其识别精度还有进一步提升的空间.为此,设计一种新的图像识别模型CNN-GRNN.利用CNN提取样本图像中的多层次特征信息,将广义回归神经网络代替反向传播神经网络,以提高分类器的泛化能力和鲁棒性,通过均方差和降梯度法训练模型.基于COIL-100和手势库的实验结果表明,与灰度共生矩阵、HU距方法、CNN和CNN-SVM模型相比,CNN-GRNN的识别率分别提升了42.2%,13.43%,3.99%和1.86%,并具有较好的实时性.
卷积神经网络、广义回归神经网络、支持向量机、反向传播神经网络、降梯度法
43
TP391(计算技术、计算机技术)
国家自然科学基金61263017;云南省人才培养项目KKSY201303120;云南省教育厅科学研究基金2014Y086
2017-05-22(万方平台首次上网日期,不代表论文的发表时间)
共6页
257-262