文献类型：期刊文章

作　　者：闫河[1,2] 王鹏[1] 董莺艳[1] 罗成[1] 李焕[1]

Yan He;Wang Peng;Dong Yingyan;Luo Cheng;Li Huan(College of Computer Science,Chongqing University of Technology,Chongqing 401320,China;College of Liangjiang Artifical Intelligence,Chongqing University of Technology,Chongqing 401147,China)

机构地区：[1]重庆理工大学计算机科学与工程学院,重庆401320 [2]重庆理工大学两江人工智能学院,重庆401147

出　　处：《计算机应用与软件》

基　　金：国家自然科学基金面上项目(61173184);重庆市自然科学基金项目(cstc2018jcyjAX0694)

年　　份：2018

卷　　号：35

期　　号：12

起止页码：193-198

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、IC、JST、ZGKJHX、核心刊

摘　　要：在图像分类识别中,为了获得更高的分类精确度,需要对图片提取更精确和更能表现图片语义信息的特征,深度学习已成为特征提取最常用的方法。提出一种改进的深度卷积神经网络的图片分类模型。通过从网络架构和内部结构两方面对经典的深度神经网络AlexNet的改进和优化,进一步提升特征的表达能力。通过在全连接层引入极限学习机,不仅提高了网络的分类能力和分类时间,而且使得该结构具有更优的数据处理能力。通过在两个标准数据集上的一系列对比实验,分析了不同的优化方法在不同情况下的作用,并证明了该网络结构的有效性。

关 键 词：卷积神经网络 极限学习机 图片识别  池化  特征提取

分 类 号：TP391.41]