做者：丰晓霞
学校：太原理工大学
时间：2015
类型：硕士学位论文web
思想
深度学习和支持向量机结合–>构建图像识别的模型
利用卷积限制性玻尔兹曼机–>构建深度网络、改进训练过程算法
摘要
本文研究的主要工做包括：
（1）认真分析了图像识别的方法及存在的问题，对现有的图像识别算法进行了对比研究，详细叙述了深度学习的发展和进展，对比了深度学习结构相比浅层结构的优点所在，总结了深度学习的经常使用方法，详细介绍了限制性玻尔兹曼机和卷积限制性玻尔兹曼机的原理和训练过程。
（2）将深度学习和支持向量机相结合，将多个限制性玻尔兹曼机与支持向量机链接构建多层分类模型，用深度学习的方法提取样本特征，而后用支持向量机方法进行分类，并将其应用到图像识别任务中。经过实验验证，在样本较少的状况下，与支持向量机和深度信念网络进行比较效果良好，而且经过不一样样本数、层数、节点数与正确率的比较，讨论了隐含层节点数与支持向量数的关系，而且讨论了相关参数对结果的影响。
（3）对由卷积限制性玻尔兹曼机构成的卷积深度信念网络的训练过程进行改进，经过交替进行无监督和有监督学习来训练网络，最后将该网络用于图像识别中，经过实验验证了可行性和有效性，讨论了卷积核大小对结果的影响。编程
关键词
深度学习，图像识别，限制性玻尔兹曼机，卷积限制性玻尔兹曼机，支持向量机网络
创新点
（1）将深度学习和支持向量机相结合，构建了用于图像分类的模型，详述了训练过程，经过实验，在样本较少的状况下，与支持向量机和深度信念网络进行比较，效果均优于两者，并对不一样样本数、层数、节点数与正确率进行了比较，讨论了隐含层节点数与支持向量数的关系，另外，讨论了相关参数对结果的影响。
（2）对用卷积限制性玻尔兹曼机构建深度网络训练过程进行改进，经过交替进行无监督和有监督学习来训练网络的方法，将该网络用于图像识别任务中，取得了良好的效果。svg
问题
（1）深度学习的理论研究还不够充分，深度学习的有效性还缺少严格的证实，如对比散度算法，并无得到充分的研究，其收敛性等问题并不明确。
（2）在数据量比较大的状况下，深度学习算法虽然有准确率的优点，但相比传统算法速度比较慢。如何提升算法的效率，须要编程人员较高的编程水平，而且模型的质量受限于编程人员的经验。
（3）如何下降相关参数调整的难度，下降深度学习算法的难度，也是亟需解决的问题。学习
改进思路
（1）从深度学习方法同其余方法相结合的思路完善网络，从而提升准确率或者训练速度。
（2）进一步优化相关参数的选取方法，训练方法以及适用范围。
（3）预先经过其余较优的特征提取方法来提取特征，以及使用特征的融合技术，再用深度学习方法来进行识别。优化