【电器识别】AlexNet网络电器设备识别【含GUI Matlab源码 1391期】

Matlab领域

已于 2023-12-11 21:58:20 修改

阅读量72

点赞数 1

分类专栏：付费专栏Matlab图像处理（进阶版）文章标签： matlab

于 2022-12-18 13:22:22 首次发布

本文链接：https://blog.csdn.net/weixin_63266434/article/details/128361590

版权

付费专栏Matlab图像处理（进阶版）专栏收录该内容

601 篇文章 364 订阅 ¥49.90 ¥99.00

订阅专栏

在这里插入图片描述

⛄一、AlexNet网络简介

AlexNet网络模型由Hinton以及他的学生Alex Krizhevsky所设计，并在2012年的ImageNet竞赛中获得冠军，其物体分类错误率仅有16.4%,相比于传统的机器学习分类算法而言极其出色。该模型由11层组成，分别为5个卷积层、3个池化层以及3个全连接层，其中图像特征信息的提取工作主要由卷积层和池化层完成，而全连接层的作用则是整合局部特征信息，将特征信息扁平化处理，传递给Softmax层继续完成分类任务。

相比于传统的CNN,AlexNet网络采用了许多有效的改动，例如采用了ReLU函数进行激活，起到稀疏网络减少参数的作用。ReLU函数的表达式如下：
ReLU(x)=max(0,x)。 (1)
其次，重叠池化(Overlapping Pooling)、局部归一化处理(Local Response Normalization)、在全连接层采用Dropout处理等等，这些操作大大减少了网络复杂度以及参数数量，提高了网络的训练速度，减少了过拟合。这也是本文选用该网络的主要原因之一。

Alex Net模型如图2所示，该网络由5个卷积层和3个全连接层组成，深度总共8层。最后一个全连接层的输出被送到Softmax层，会产生一个覆盖多类标签的分布。与传统神经网络相比，Alex Net模型具有以下优势：(1)采用Re Lu激活函数；(2)增强数据集来抑制过拟合；(3)采用Drop Out方法抑制过拟合；(4)采用局部响应归一化（LRN）

了解本专栏