类算法易陷入局部最优的问题,提出一种改进的K-means算法,将搜寻者优化算法(SOA)和K-means聚类算法结合起来,利用SOA鲁棒性好、全局搜索能力强的特点,通过确定搜寻者的搜索方向和搜索步长,更新搜寻者的位置,进行全局寻优,提高K-means聚类算法的聚类精确度。在仿真实验过程中,首先,选取具有代表性的处于三种燃烧状态的水泥回转窑窑内视频图像为研究对象,分别采用K-means算法和改进后的算法进行仿真实验,实验结果表明,改进算法所获得的图像聚类效果更加精确;然后,分别用上述两种算法对数据集Iris和Wine进行相关测试,结果表明,改进算法的聚类精确度和运行效率都得到了有效提高。网络模型识别分类准确度问题,提出一种基于深度Gabor卷积神经网络的识别分类方法。在Le Net-5模型的基础上,引入了Gabor层,使用Gabor核作为提取图像特征的卷积核,Gabor卷积核从图像频域的不同尺度、不同方向上提取更多特征。网络改进算法及应用-数控滚圆机滚弧机折弯机张家港倒角机液压滚圆机滚弧机为了避免网络训练中的梯度消失问题,使用Relu函数作为网络中的激活函数。将改进后的模型在MNIST手写体数据集上进行试验,识别正确率达到99. 34%。本文由公司网站张家港大棚滚圆机采集转载中国知网整理!!http://www.dapenggunyuanji.com/与支持向量机和卷积神经网络等分类方法作比较,结果表明,改进后的深度Gabor卷积神经网络的具有更高的识别性能是具有多层神经网络结构的深度学习网络。卷积神经网络有两大特点，一是局部感知野，每个神经元没有必要对全局图像进行感知，只需要对局部进行感知，然后在更高层将局部信息综合起来就得到全局的信息，这一思想也是受启发于人类视觉系统结构。二是参数共享，图像一部分的统计特征与其他部分是一样的，就意味着在这一部分上学习的特征也能用于其他部分上，所以对于图像所有位置，都能使用同样的学习特征。卷积神经网络包含输入层模块、网络特征提取模块和网络输出模块，如图1所示，网络的特征提取模块中通过感受野和权值共享大大减少了神经网络需要训练参数的个数。图1卷积神经网络模块FieNet-5网络结构LeNet-5模型结构是Y．LeCun提出的一个卷积神经网络，如图2所示，该网络可以分为输入层、特征自动提取和可训练的识别分类器3部分，特征自动提取部分由卷积层C和池化层S交替组成，分别使用5×5的卷积核和2×2的最大化或均值化矩阵，完成网络中的卷积和下采样操作，识别分类部分是一个标准的多层感知机，由全连接层C5、F6和输出层组成。图2LeNet-5网络模型Fi模型在MNIST手写数字库上进行识别，激活函数使用sigmoid函数，得到误识率为1．39%。针对该模型识别率不高问题，经过大量实验，表明是C1卷积层对输入图像的特征提取不够，导致后面网络识别时特征不足，并且sigmoid激活函数导致网络出现梯度消失，影响网络权值的训练更新。所以，本文提出利用Gabor核代替原来的卷积层，从频域不同方向、不网络改进算法及应用-数控滚圆机滚弧机折弯机张家港倒角机液压滚圆机滚弧机本文由公司网站张家港大棚滚圆机采集转载中国知网整理!!http://www.dapenggunyuanji.com/