博碩士論文 105221011 詳細資訊




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:8 、訪客IP:3.88.220.93
姓名 李毅信(LI,YI-SIN)  查詢紙本館藏   畢業系所 數學系
論文名稱 機器學習方法在蝴蝶辨識中之比較
(The Comparison of Machine Learning Methods in Butterfly Identification)
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]
  1. 本電子論文使用權限為同意立即開放。
  2. 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。
  3. 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) 本研究旨在探討「K 最近鄰居分類法(KNN) 」、「多層感知神經網路(MLP)」、 「支持向量機(SVM)」與卷積神經網路經典模型: 「LENET」與「ALEXNET」在圖像辨識上的訓練結果之差異。

本實驗的蝴蝶圖像取自ImageNet,共8500張圖片,並自製成數據樣本集,將訓練集分別帶入上述模型後,觀察個別訓練時間及訓練準確率之差異,並在迭代結果上進行比較。而後再進一步探討影響訓練結果的原因。最後將測試集放入訓練好的模型進行預測,觀察測試集準確率,分析探討影響預測結果的因素。
摘要(英) The goal of this thesis is to explore the training results of “K Nearest Neighbor”, “multilayer perceptual neural network” , “Support Vector Machine” and the classic model of Convolutional neural network: “LENET” and “ALEXNET” in image recognition.

The butterfly images in this experiment are from ImageNet which is the largest database of image recognition. First, we bring the training data into our models, and observe the difference between training time and training accuracy for each model, then compare the iterative results. Next,we give the reasons that affect the training results. Finally, we put the test set into the trained model for prediction.We observe the accuracy of the test set, and analyzed the factors affecting the prediction.
關鍵字(中) ★ 影像辨識
★ K 最近鄰居分類法
★ 多層感知神經網路
★ 支持向量機
★ 卷積神經網路
關鍵字(英)
論文目次 摘要 i
Abstract ii
致謝 iii
目錄 iv
圖目錄 vii
表目錄 ix
一、緒論 1
1.1 機器學習概要簡介: 1
1.2 研究動機: 3
1.3 研究目的: 3
1-4 研究問題: 3
1-5 研究對象: 3
二、論文背景知識與相關文獻探討 4
2.1 K 最近鄰居分類法(K-Nearest Neighbor,KNN) 4
2.2支持向量機 (support vector machine, SVM) 7
2.2.1最大間隔分類器(Maximal Margin Classifier) 8
2.2.2 核函數(Kernel Function) 12
2.3類神經網路(Neural Network, NN) 14
2.3.1人工神經元(Artificial neuron) 14
2.3.2 激活函數(Activation Function) 15
2.3.3多層感知機(Multilayer Perceptron) 16
2.3.4 倒傳遞類神經網路學習演算法 17
2.3.5 過擬合 (Overfitting) 20
2.4 卷積神經網路 (Convolutional Neural Network ) 21
2.4.1 卷積層(Convolutional Layer) 22
2.4.2 池化層(Pooling Layer) 24
2.4.3 全連接層(Fully Connected Layer) 25
三、數據庫與實驗模型介紹 26
3.1 實驗框架介紹: 26
3.2 圖片庫介紹: 27
3.3 數據集製作: 28
3.4 模型結構: 29
四、結果與討論 32
4.1 KNN實驗結果 32
4.2 SVM實驗結果 33
4.3 MLP實驗結果 34
4.4 LENET實驗結果 37
4.5 ALEXNET實驗結果 39
4.6 各個模型實驗結果比較 40
五、未來展望 43
參考文獻: 44
參考文獻 [1]. 周志華(2016)。機器學習。清華大學出版社。
[2]. 蘇木春,張孝德。機器學習:類神經網絡、模糊系統以及基因演算法則。 全華圖書股份有限公司。
[3]. 林大貴 (2017)。TensorFlow + Keras 深度學習人工智慧實務應用。博碩出版社。
[4]. 黃安埠(2017)。深入淺出深度學習-原理剖析與python實踐。電子工業出版社。
[5]. 鄭澤宇,顧思宇(2017)。實戰Google深度學習技術,使用Tensorflow。電子工業出版社。
[6]. 斎藤康毅 (2017)。Deep Learning – 用Python進行深度學習的基礎理論實作。碁峰資訊股份有限公司。 6
[7]. Nikhil Buduma (2018)。Deeping Learning 深度學習基礎¬¬ – 設計下一代工智慧演算法。碁峰資訊股份有限公司。 7
[8]. Deeping Learning 深度學習基礎¬¬ - 設計下一代人工智慧演算法。碁峰資訊股份有限公司。
[9]. 葉怡成(1999)。應用類神經網路。儒林圖書公司。
[10]. 葉怡成(2004)。類神經網路 - 模式應用與實作。儒林圖書公司。
[11]. 李宏毅 (2016)。Machine Learning。取自http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML16.html。
[12]. JerryLead(2011)。支持向量機SVM,2011年3月13日,取自http://www.cnblogs.com/jerrylead/archive/2011/03/13/1982639.html。
[13]. July(2012)。支持向量機通俗導論(理解SVM的三層境界)。取自https://blog.csdn.net/v_july_v/article/details/7624837。
[14]. Li, T. S. (2006). Feature Selection for Classification by Using a Ga-Based Neural Network Approach. Journal of the Chinese Institute of Industrial Engineers, 23,55-64.
[15]. Michael, J. A., and Gordon, B. S., Data Mining Techniques: for marketing, sales, and customer support” John Wiley and Sons, 1997
[16]. Baesens, B., Van Gestel, T., Viaene, S., Stepanova, M., Suykens, J., and Vanthienen J.(2003). Benchmarking state-of-the-art classification algorithms for credit scoring. Journal of the Operational Research Society, 54(6), 627-635.
[17]. Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L. (2009). ImageNet: A Large-Scale Hierarchical Image Database. In CVPR09.
[18]. Duchi, J., Hazan, E., and Singer, Y. (2011). Adaptive subgradient methods for online learning and stochastic optimization. Journal of Machine Learning Research,2121-2159.
[19]. Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L. (2009). ImageNet: A Large-Scale Hierarchical Image Database. In CVPR09.
指導教授 洪盟凱 審核日期 2019-1-26
推文 facebook   plurk   twitter   funp   google   live   udn   HD   myshare   reddit   netvibes   friend   youpush   delicious   baidu   
網路書籤 Google bookmarks   del.icio.us   hemidemi   myshare   

若有論文相關問題,請聯絡國立中央大學圖書館推廣服務組 TEL:(03)422-7151轉57407,或E-mail聯絡  - 隱私權政策聲明