何佳佳
- 作品数：5 被引量：23H指数：3
- 供职机构：江南大学数字媒体学院更多>>
- 发文基金：江苏省普通高校研究生科研创新计划项目国家自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 一种基于模拟退火算法改进的卷积神经网络被引量：4
- 2017年
- 卷积神经网络(CNN)是一种深度学习技术,其目标是构建一个接近人类的智能来执行任何知识的任务.使用基于交叉熵损失函数的模拟退火算法对dropout正则化,即有些单元值被抑制的CNN进行优化训练,而在测试阶段所使用的模型平均方法则同时考虑了保留概率和池化区域内单元值所占概率.在MNIST手写数据库和CMU-PIE的部分图像库的实验结果表明,在同一CNN结构和相同迭代次数时,此方法均优于其他方法,不仅能够得到更好的识别率而且更能防止过拟合的问题.
- 满凤环陈秀宏何佳佳
- 关键词：卷积神经网络模拟退火算法交叉熵图像识别
- 基于加权密度的自适应谱聚类算法被引量：5
- 2018年
- 谱聚类算法中如何定义一个合适的尺度参数仍待学习。针对谱聚类算法中由高斯核函数建立的相似度矩阵对尺度参数敏感的问题,提出了一个新的基于加权密度的自适应谱聚类算法——WDSC。该算法将数据点的加权K近邻距离作为尺度参数,尺度参数的倒数作为数据点所在邻域的密度,引入新的密度差调整相似度矩阵;考虑了每个数据点的邻域分布,故对噪声有一定的鲁棒性,且对参数也不再敏感。在不同数据集上的实验以及对比实验均验证了该算法的有效性与鲁棒性。
- 万月陈秀宏何佳佳
- 关键词：谱聚类
- 改进的Dropout正则化卷积神经网络被引量：10
- 2018年
- 针对深度卷积神经网络(CNN)中出现的过度拟合的问题,给出了一种改进的结构,训练阶段采用Dropout正则化,测试阶段采用了模型平均方法且同时考虑了保留概率和池化区域内单元值所占概率。仿真实验表明:在MNIST手写数据库和CMU—PIE的部分图像库中,相同迭代次数及CNN结构下新算法均优于其他方法,不仅能够得到更好的识别率而且更能防止过拟合的问题。
- 满凤环陈秀宏何佳佳
- 关键词：卷积神经网络DROPOUT图像识别
- 利用稀疏自编码的局部谱聚类映射算法被引量：2
- 2018年
- 传统谱聚类算法直接对原始数据建立高斯核邻接矩阵后再对数据进行聚类,并未考虑数据的深层次特征以及数据的邻域流形结构,并且仅进行单一聚类,针对以上三点不足,提出了利用稀疏自编码的局部谱聚类映射算法(LSCMS),通过对数据进行预处理,利用稀疏自编码提取能反映原始数据本质的深层次特征,并以此替代原始数据;对每个数据利用其邻域进行线性重构,以重构权值代替高斯核函数建立邻接矩阵。LSCMS在聚类同时将数据映射到聚类指标上进而协调聚类指标。在UCI数据集、手写数据集、人脸数据集上的实验结果表明:算法优于现有的聚类算法。
- 万月陈秀宏何佳佳
- 关键词：谱聚类映射
- 基于牛顿梯度优化的弹性多核学习被引量：2
- 2018年
- 已有稀疏多核学习(MKL)模型在产生核函数权重稀疏解时容易导致信息丢失且泛化能力差,且基于梯度下降法的MKL在接近最优解时收敛速度慢。建立了基于支持向量机(SVM)的弹性多核学习(EMKL)模型并给出了一种基于牛顿梯度优化的EMKL(NO-EMKL)。模型在MKL的目标函数中引入弹性项,并设计了基于二阶牛顿梯度下降法的优化算法。实验结果表明:算法不仅具有更好的分类精度,还具有较快的收敛速度。
- 何佳佳陈秀宏田进万月
- 关键词：多核学习梯度优化支持向量机
