文献类型：期刊文章

作　　者：于国龙[1] 赵勇[2] 吴恋[1] 崔忠伟[1]

YU Guolong;ZHAO Yong;WU Lian;CUI Zhongwei(School of Mathematics and Big Data,Guizhou Education University,Guiyang 550018,China;School of Information Engineering,Shenzhen Graduate School of Peking University,Shenzhen,Guangdong 518000,China)

机构地区：[1]贵州师范学院数学与大数据学院,贵阳550018 [2]北京大学深圳研究生院信息工程学院,广东深圳518000

出　　处：《计算机工程与应用》

基　　金：2018年度贵州省教育厅青年科技人才成长项目(黔教合KY字[2018]257);贵州师范学院“大地论文工程”科研项目(20DDZ001);2016年贵州省科学技术基金计划项目(黔科合基础[2016]1114);2018年度国家科技部和国家自然科学基金奖励补助项目(黔科合平台人才[2017]5790-10,黔科合平台人才[2017]5790-09);贵州省省级重点学科“计算机科学与技术”(ZDXK[2018]007号);2016年贵州省省级重点支持学科“计算机应用技术”(黔学位合字ZDXK[2016]20号)。

年　　份：2021

卷　　号：57

期　　号：10

起止页码：154-162

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为了提升标准量子粒子群算法(Quantum Particle Swarm Optimization,QPSO)的收敛精度,提出了基于粒子势阱长度变化率的粒子平均最优位置权重计算方法,通过平均最优位置的调节,来提升粒子的寻优能力,并将改进后的QPSO算法应用于深度置信网络(Depth Belief Network,DBN)模型的学习率参数寻优中,以便找到最优的DBN模型参数,来提升DBN模型的识别准确率。将通过改进后QPSO算法进行参数寻优的DBN网络(LQ_DBN)应用于蛋黄形状检测中,与现有典型的DBN网络模型对比表明,LQ_DBN模型在蛋黄形状检测实验中的识别准确率比CC-PSO-DBN、PSO_MDBN和标准DBN模型都要高,且检测识别准确率的稳定性也是四种对比模型中最高的,表明基于改进的QPSO算法的DBN网络模型取得了较好的优化效果。

关 键 词：深度置信网络(DBN)  量子粒子群算法(QPSO)  形状检测  深度学习  

分 类 号：TP301.6]