集成方法在影像辨識中之實驗與討論

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：46

、訪客IP：18.226.177.223

姓名

劉致嘉(Chih-Chia Liu) 查詢紙本館藏

畢業系所

數學系

論文名稱

集成方法在影像辨識中之實驗與討論
(Experiment and Discussion of Ensemble MethodOn the Image Recognition)

相關論文

★ 氣流的非黏性駐波通過不連續管子之探究	★ An Iteration Method for the Riemann Problem of Some Degenerate Hyperbolic Balance Laws
★ 影像模糊方法在蝴蝶辨識神經網路中之應用	★ 單一非線性平衡律黎曼問題廣義解的存在性
★ 非線性二階常微方程組兩點邊界值問題之解的存在性與唯一性	★ 對接近音速流量可壓縮尤拉方程式的柯西問題去架構區間逼近解
★ 一些退化擬線性波動方程的解的性質.	★ 擬線性波方程中片段線性初始值問題的整體Lipchitz連續解的
★ 水文地質學的平衡模型之擴散對流反應方程	★ 非線性守恆律的擾動Riemann 問題的古典解
★ BBM與KdV方程初始邊界問題解的週期性	★ 共振守恆律的擾動黎曼問題的古典解
★ 可壓縮流中微黏性尤拉方程激波解的行為	★ 非齊次雙曲守恆律系統初始邊界值問題之整域弱解的存在性
★ 有關非線性平衡定律之柯西問題的廣域弱解	★ 單一雙曲守恆律的柯西問題熵解整體存在性的一些引理

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

本文旨在探討機器學習中將不同類型的演算法做組合之後，在影像辨識上對於分類準確度的影響，以及試圖建立一個使用集成方法來分類資料的流程。過程中分別測試了三種類型演算法在資料集上獨立運作的準確度，接著再根據集成學習中的組合方法，對於同類型及不同類型演算法的組合模型進行實驗，最後觀察其結果並進行討論及總結。

摘要(英)

The purpose of this thesis is to observe the classification accuracy of image recognition after combine different types of algorithms, and try to build a process about using ensemble method to classify data.In the process, the accuracy of three types of algorithms were tested, then according to the combination method of ensemble, experiment was design by the model which combined with the same or different types of algorithms. Finally, we observe the result and make discuss and summarize.

關鍵字(中)

★ 集成學習
★ 支持向量機
★ 卷積神經網路
★ 循環神經網路

關鍵字(英)

★ unsemble learning
★ SVM
★ CNN
★ RNN

論文目次

摘要...................................................I
Abstract..............................................II
致謝.................................................III
目錄..................................................IV
一、緒論
1.1研究動機........................................1
1.2研究目的........................................1
1.3研究方法........................................1
1.4研究對象........................................2
二、論文背景知識與相關文件探討
2.1 集成學習
2.1.1 集成學習概述.............................3
2.1.2 同質異質性...............................3
2.1.3 生成方法.................................3
2.1.4 Boosting.................................4
2.1.5 AdaptiveBoosting.........................4
2.1.6 Bagging.................................6
2.1.7 Stacking................................7
2.2 卷積神經網路
2.2.1 卷積神經網路概述.........................8
2.2.2 卷積層(Convolution Layer)...............9
2.2.3 池化層(Pooling Layer)..................11
2.2.4全連接層(Full Connected Layer).........12
2.2.5 卷積神經網路的訓練方法..................12
2.2.6 卷積神經網路程式碼實現..................13
2.3 支持向量機
2.3.1 支持向量機概述..........................14
2.3.2 Kernel trick...........................15
2.3.3 支持超平面(Support hyperplane).........16
2.3.4 拉格朗日對偶函式與KKT條件...............18
2.3.5 支持向量(Support vector)...............20
2.3.6 支持向量機程式碼實現....................21
2.4 循環神經網路
2.4.1 循環神經網路概述........................22
2.4.2 RNN的多種形式...........................23
2.4.3 RNN正向傳播公式.........................23
2.4.4 長短期記憶(Long short-term memory)RNN...24
2.4.5 LSTM RNN正向傳播公式...................26
2.4.6 雙向(Bi-directional)循環神經網路........27
2.4.7 循環神經網路之訓練方法..................27
2.4.8 RNN程式碼實現...........................28
三、實驗與分析
3.1 TensorFlow簡介................................30
3.2 資料集及圖像預處理............................32
3.3 演算法之模型定義..............................35
3.4 集成模型
3.4.1 異質集成模型之效果評測..................39
3.4.2 同質集成模型之效果評測..................41
3.5 實驗結果與討論................................45
參考文獻:.........................................47

參考文獻

[1].周志華(2016)。機器學習。
[2].Tommy Huang。機器學習: Ensemble learning。2018年6月20日，取自https://medium.com/@chih.sheng.huang821/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-ensemble-learning%E4%B9%8Bbagging-boosting%E5%92%8Cadaboost-af031229ebc3。
[3]. skydome20。R筆記–(16) Ensemble Learning(集成學習)。2018年3月3日，取自https://rpubs.com/skydome20/R-Note16-Ensemble_Learning。
[4]. Blake、高斐。Yann Lecun詳解卷積神經網絡。2016年8月23日，取自https://kknews.cc/zh-tw/science/knjvxb.html。[5].Hanbingtao。深度學習(4) –卷積神經網路。2017年8月28日，取自https://www.zybuluo.com/hanbingtao/note/485480。
[6]. Ting-Hao Chen。What is “padding” in Convolutional Neural Network?。2017年11月7日，取自https://medium.com/machine-learning-algorithms/what-is-padding-in-convolutional-neural-network-c120077469cc。
[7].I codeso I am。處理影像的利器--卷積神經網路(Convolutional Neural Network)。2017年12月16日，取自https://ithelp.ithome.com.tw/articles/10191820。
[8].YehJames。支援向量機(Support Vector Machine)介紹。2017年11月3日，取自https://medium.com/jameslearningnote/%E8%B3%87%E6%96%99%E5%88%86%E6%9E%90-%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-%E7%AC%AC3-4%E8%AC%9B-%E6%94%AF%E6%8F%B4%E5%90%91%E9%87%8F%E6%A9%9F-support-vector-machine-%E4%BB%8B%E7%B4%B9-9c6c6925856b。
[9]. I code so I am。循環神經網路(Recurrent Neural Network, RNN)。2017年12月24日，取自https://ithelp.ithome.com.tw/articles/10193469。
[10]. 李宏毅。Recurrent Neural Network (RNN)。取自http://speech.ee.ntu.edu.tw/~tlkagk/courses/ML_2016/Lecture/RNN%20(v2).pdf。
[11]. GGWithRabitLIFE。Convolution Neural Network 卷積神經網路。2018年12月21日，取自https://medium.com/%E9%9B%9E%E9%9B%9E%E8%88%87%E5%85%94%E5%85%94%E7%9A%84%E5%B7%A5%E7%A8%8B%E4%B8%96%E7%95%8C/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-ml-note-convolution-neural-network-%E5%8D%B7%E7%A9%8D%E7%A5%9E%E7%B6%93%E7%B6%B2%E8%B7%AF-bfa8566744e9。
[12]. Madhu Sanjeevi。Support Vector machine with Math.。2017年9月30日，取自https://medium.com/deep-math-machine-learning-ai/chapter-3-support-vector-machine-with-math-47d6193c82be。[13]. Dan Abolafia。A Recurrent Neural Network Music GenerationTutorial。2016年6月10日，取自https://magenta.tensorflow.org/2016/06/10/recurrent-neural-network-generation-tutorial。[14]. Support Vector Machine -Classification (SVM)。取自http://saedsayad.com/support_vector_machine.htm。

指導教授

洪盟凱(Meng-Kai Hong)

審核日期

2019-8-15

推文