基于改进Fisher准则的深度卷积神经网络识别算法
为了有效利用深度学习技术自动提取特征的能力，并解决当训练样本量减少或者迭代次数降低时识别性能急速下降的问题，提出了基于Fisher准则的深度学习算法。该方法在前馈传播时，采用卷积神经网络自动提取图像的结构信息等特征，同时利用卷积网络共享权值和池化、下采样等方法减少了权值个数，降低了模型复杂度；在反向传播权值调整时，采用了基于Fisher的约束准则。在权值的迭代调整时既考虑误差的最小化，又同时让样本保持类内距离小，类间距离大，从而使权值能更加快速地逼近有利于分类的最优值，当样本量不足或训练迭代次数不多时可有效地提高系统的识别率。大量的实验结果证明：该基于Fisher准则的混合深度学习算法在标签样本不足或者较少训练次数的情况下依然能达到较好的识别效果。
深度学习、卷积神经网络、Fisher准则、反向传播(BP)算法、人脸识别、手写字识别
TP183(自动化基础理论)
国家自然科学基金资助项目61370119
2015-06-24（万方平台首次上网日期，不代表论文的发表时间）
共7页
835-841
