基于卷积神经网络的深度学习算法与应用研究

深度学习(DL, Deep Learning)是计算机科学机器学习(ML, Machine Learning)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标-人工智能(AI, Artificial Intelligence)。深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。它在搜索技术,数据挖掘,机器学习,机器翻译,自然语言处理,多媒体学习,语音,推荐和个性化技术,以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动,解决了很多复杂的模式识别难题,使得人工智能相关技术取得了很大进步。将深度学习与各种实际应用研究相结合也是一项很重要的工作。 本文整理和总结了国内外关于深度学习的发展历程和最新的研究成果,对人工神经网络及经典的卷积神经网络所涉及到的概念和算法进行了简要介绍,将卷积神经网络算法进行了改进并应用于光学字符识别(OCR, Optical Character Recognition)和交通标示识别(TSR, Traffic sign recognition)问题,分别在理论和应用层面对卷积神经网络的架构和性能进行研究分析。本文的主要工作如下： 1、在LeNet-5网络模型的基础上进行改进,构造了若干各层具有不同神经元个数和层间连接方式的特征抽取滤波器层的卷积神经网络模型,将各个模型应用到光学数字识别问题上,通过这些不同的卷积神经网络模型在实验中学习过程表现出的特性和识别性能分析比较各种模型的优劣。 2、通过借鉴自适应增强(Adaboost)的思想,构建了一个多列卷积神经网络模型,并将其应用在交通标示识别实际应用问题中,将数据进行预处理,训练卷积神经网络,实现卷积神经网络对交通标示的高性能识别。 3、通过实验最终验证卷积神经网络在手写数字识别和交通标示识别问题上的应用可行性。并与其他现有的分类器进行比较,分析卷积神经网络模型在各种实际应用问题上的性能。