卷积神经网络模型具有结构简单、分类精度高、适应性强等优点,在图像处理方面应用广泛。但是由于模型的输入数据常为目标像素与背景像素融合的图像,导致训练提取图像数据特征时迭代时间较长。而粒计算模型处理模糊、不精确问题的能力可以帮助分割不确定性像素,有助于加快特征提取速度,因此选用粒计算模型优化卷积神经网络模型来减少训练时间,达到降低图像数据挖掘成本的目的。基于粒计算的优化卷积神经网络模型主要工作如下:首先,选择合适的粒计算模型构建粒化层。为了避免同类模型造成的考虑不全面问题,选取主成分分析法、模糊C均值聚类以及云模型三种方法分别构建粒化层。利用三种模型对图像进行分割处理,根据问题需要来选取评价指标,对分割结果进行评价。其次,根据卷积神经网络的结构及原理将粒化层置于输入层和卷积层中间。经过预处理后的图像在进入粒化层进行粒化分割处理之后,再输入卷积层进行卷积运算。这是粒计算优化模型的关键步骤,粒化层位置的确定对提高模型分类精度起着至关重要的作用。最后,为了避免单一数据集对实验结果产生影响,随机选择Oxford-IIIT Pet Dataset以及Dogs ***数据集中的部分图像组成新的数据进行实验。根据需求设置两类满意度标准,分别计算模型到达满意度标准时的时间。结合分割效果进行对比分析,选出最优的优化卷积神经网络模型。由于云模型的分割效果最好,且在到达两类满意度时训练时间最短,因此选用云模型作为粒化层的构建模型。基于粒计算的优化卷积神经网络模型对图像进行分类时,采用粒化分割的方法,在简化图像特征的同时提高了模型的训练速度,缩短了训练时间,对于大样本数据挖掘具有重要意义,有助于推进图像数据中知识发现的进一步发展。图40幅;表3个;参64篇。
暂无评论