文献类型：期刊文章

作　　者：李红宇[1] 黄志鹏[1] 张广玲[1] 贺维[1,2]

LI Hong-yu;HUANG Zhi-peng;ZHANG Guang-ling;HE Wei(College of Computer Science and Information Engineering,Harbin Normal University,Harbin 150025,China;Rocket Force University of Engineering,Xi′an 710025,China)

机构地区：[1]哈尔滨师范大学计算机科学与信息工程学院,哈尔滨150025 [2]中国人民解放军火箭军工程大学,西安710025

出　　处：《小型微型计算机系统》

基　　金：黑龙江省自然科学基金项目(F2018023)资助;哈尔滨师范大学博士科研启动金项目(XKB201905)资助;哈尔滨师范大学计算机科学与信息工程学院自然科学基金项目(JKYKYY2020002)资助.

年　　份：2021

卷　　号：42

期　　号：5

起止页码：1015-1021

语　　种：中文

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

摘　　要：卷积神经网络(Convolutional Neural Networks,CNN)在计算机视觉、自然语言处理为代表的数据处理领域应用广泛.在CNN训练过程中,超参数设置依赖于先验知识,不恰当的超参数会影响模型的训练效率和精度.为了解决这一问题,本文提出基于证据推理规则(Evidential Reasoning Rule,ER Rule)的CNN超参数质量评估模型,可在训练前提供高质量的超参数选择,从而提高模型的训练效率.首先,描述了CNN超参数评估的过程,然后构建了CNN的超参数质量评估模型,运用了奖罚策略实现指标权重的动态适应并给出模型的推理过程.最后,通过图像分类实验验证了模型的实际效果,实验结果表明本文提出的CNN超参数评估模型在多个数据集上预测准确率均高于90%,能够有效建立超参数与CNN模型效果的映射关系,从而过滤低质量的超参数.

关 键 词：卷积神经网络(CNN)  超参数评估  证据推理规则(ER  Rule)  动态权重  

分 类 号：TP18]