孙燕峰;齐光磊;胡永利;赵璐 一种基于改进Fisher准则的深度卷积神经网络识别算法。 （中文。英文摘要） Zbl 1340.68078号 J.北京工业大学。 41，第6期，835-841（2015）. 摘要：为了有效利用深度学习技术的自动特征提取能力，解决训练样本量减少或迭代次数减少时识别性能急剧下降的问题，本文提出了一种基于Fisher准则的深度学习算法。在前馈扩散中，该方法使用卷积神经网络自动提取结构信息等图像特征，并使用共享权重和池化的卷积网络、子采样方法来减少权重数量，该方法降低了模型的复杂度。当反向传播调整权重时，它采用基于Fisher准则的约束。同时，它将样本与类之间的距离保持在较小的范围内，而类与类之间则保持较大的距离，从而使权重更接近于分类的最佳值。当样本量不足或训练迭代次数较少时，该方法有效地提高了识别率。大量实验表明，当标签样本不足且训练迭代次数较少时，基于Fisher准则的混合深度学习算法仍能取得良好的识别效果。 MSC公司： 68T05型 人工智能中的学习和自适应系统 68吨10 模式识别、语音识别 关键词：深度学习;卷积网络;费希尔准则;反向传播;人脸识别;手写识别 PDF格式BibTeX公司 XML格式引用 \textit{Y.Sun}等人，J.北京理工大学。41、第6835--841号（2015；Zbl 1340.68078）