TY - JOUR TI - 图像分类算法基于深学习型核函数VL - 2020 PY - 2020 DA - 2020年1月31日DO - 10.1155 /七百六十零万七千六百一十二分之二千〇二十零UR - https://doi.org/10.1155/2020/7607612AB - 尽管现有的传统图像分类方法在实际问题得到了广泛的应用，还有在应用过程中的一些问题，如不理想的影响，低分类精度和弱适应能力。该方法的图像特征提取和分类分成两个步骤进行分类操作。深学习模式具有强大的学习能力，其特征提取和分类过程整合成一个整体来完成图像分类测试，可有效提高图像分类精度。然而，这种方法在应用过程中存在以下问题：第一，它是不可能有效地逼近深学习模型的复杂功能。二，深度学习模型并配有低分级精度低。所以，本文介绍的稀疏表示的想法进深学习网络的架构和综合利用线性分解能力以及多维数据和多层非线性映射的深结构优点的稀疏表示，以完成复杂的函数逼近在深学习模型。并提出了一种基于优化的内核函数的稀疏表示分类方法，以取代在深学习模型的分类器，从而提高了图像分类效果。因此，本文提出了一种基于堆叠的稀疏编码深度学习模型优化的核函数的非负稀疏表示的图像分类算法。 The experimental results show that the proposed method not only has a higher average accuracy than other mainstream methods but also can be good adapted to various image databases. Compared with other deep learning methods, it can better solve the problems of complex function approximation and poor classifier effect, thus further improving image classification accuracy. JF - Scientific Programming SN - 1058-9244 PB - Hindawi SP - 7607612 KW - A2 - Mateos, Cristian AU - Liu, Jun-e AU - An, Feng-Ping ER -