文献类型：期刊文章

作　　者：敬明旻[1,2]

Jing Mingmin(Research Department of Information and Standardization,Research Institute of Petroleum Engineering,Beijing 100101,China)

机构地区：[1]中国石化石油工程技术研究院信息与标准化研究所,北京100101 [2]中国社会科学院数量经济与技术经济研究所,北京100732

出　　处：《计算机应用与软件》

基　　金：国家工信部物联网重大专项基金项目(P16013)。

年　　份：2020

卷　　号：37

期　　号：10

起止页码：262-269

语　　种：中文

收录情况：BDHX、BDHX2017、IC、JST、ZGKJHX、核心刊

摘　　要：深度神经网络学习单模态特征的能力较强,而学习多模态特征的难度较大。针对这种情况,提出基于深度神经网络的多模态特征自适应分类算法。在训练阶段以预定的概率从每个模态选择部分代表信息进行融合,并且建模模式间的相关性。设计基于聚类的特征剪枝策略,减小网络的计算复杂度,通过正则化防止学习程序过拟合。利用动态编码搜索对超参数进行自适应地优化处理。采用自编码器和卷积神经网络分别对该算法进行验证,实现了较好的多模态特征分类效果,并且对数据缺失具有鲁棒性。

关 键 词：深度神经网络  多模态特征融合  模式识别 卷积神经网络 动态编码搜索  

分 类 号：TP391]