10.3969/j.issn.1002-2279.2015.01.014
基于堆叠稀疏自动编码器的手写数字分类
将稀疏自动编码器(Sparse Autoencoder,SAE )模型应用于数字识别中,并通过多个稀疏自动编码器的堆叠构建了深度网络,采用非监督贪婪逐层训练算法(Greedy Layer -Wise Unsu-pervised Learning Algorithm)初始化网络权重,使用反向传播算法优化网络参数。利用堆叠稀疏自动编码器学习数字图像的特征,使用 softmax 分类器进行数字分类。经实验证明,与其它浅层学习模型对比,深度网络不仅进一步学习了数据的高层特征,同时还降低了特征维数,提高了分类器的分类精度,最终改善了手写数字的分类效果。
堆叠稀疏编码器、非监督贪婪逐层训练、反向传播算法、softmax 分类器
TP391(计算技术、计算机技术)
2015-03-25(万方平台首次上网日期,不代表论文的发表时间)
共5页
47-51