基于深度信念網絡的圖像識別及其應用研究.pdf

1、深度信念網絡（Deep Belief Network, DBN）是近年來新興的一種機器學習模型。其動機在于模擬人的思維方式來學習、分析數據，比如文本、聲音和圖像。DBN結合了無監(jiān)督預訓練和有監(jiān)督微調的學習過程，具有自動提取樣本概率分布和獲取樣本本質特征的優(yōu)勢，進而可以實現大數據的圖像識別。
　　本文在分析了現有的DBN理論的基礎上，深入研究了DBN圖像識別的改進算法及其應用。具體研究內容包括以下幾個方面。
　　針對DBN識別

2、性能不太高的缺點，提出了兩種DBN圖像識別的改進算法。一種是基于多尺度主線方向特征的DBN識別方法，該方法首先依據多尺度主線方向特征的提取流程，從樣本圖像中提取主線特征，然后將主線特征作為原幅值特征的指導信息，一起輸入到DBN網絡中；另外一種是基于差異稀疏化的DBN識別方法，該方法首先定義了差異的概念，將圖像的灰度值轉化成差異表示矩陣，實現了低灰度區(qū)域的擴張，高灰度區(qū)域的壓縮，增強了圖像的對比度，隨后對差異特征矩陣進行去均值、歸一化以及

3、稀疏化處理，最后將得到的稀疏化后的差異矩陣輸入到DBN網絡中。通過在MNIST、CIFAR-10以及SVHN等多個標準數據庫上的實驗表明，這兩種改進算法都能有效地提高DBN的識別性能。
　　接著，對企業(yè)生產中的故障指示器狀態(tài)檢測和絕緣子故障識別進行了研究與應用，采用改進的DBN圖像識別方法進行了大量的實驗。結果顯示，兩個應用在分類識別效果方面都取得了不錯的效果，同時，也驗證了改進算法的有效性和實用價值。最后，進一步提出了一種基于圖