文献类型：期刊文章

作　　者：阚涛[1] 高哲[1,2] 杨闯[1]

KAN Tao;GAO Zhe;YANG Chuang(School of Mathematics,Liaoning University,Shenyang 110036;College of Light Industry,Liaoning University,Shenyang 110036)

机构地区：[1]辽宁大学数学院,沈阳110036 [2]辽宁大学轻型产业学院,沈阳110036

出　　处：《模式识别与人工智能》

基　　金：辽宁省自然科学基金项目(No.20180520009);兴辽英才计划项目(No.XLYC1807229);中国博士后基金项目(No.2019 M651206);辽宁大学科学研究项目(No.LDGY201920)资助。

年　　份：2020

卷　　号：33

期　　号：6

起止页码：559-567

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对随机梯度下降法可能会收敛到局部最优的问题,文中提出采用分数阶动量的随机梯度下降法,提高卷积神经网络的识别精度和学习收敛速度.结合基于动量的随机梯度下降法和分数阶差分运算,改进参数更新方法,讨论分数阶阶次对网络参数训练效果的影响,给出阶次调整方法.在MNIST、CIFAR-10数据集上的实验表明,文中方法可以提高卷积神经网络的识别精度和学习收敛速度.

关 键 词：卷积神经网络 分数阶差分  随机梯度下降  

分 类 号：TP183]