吕 伏 刘 铁

1(辽宁工程技术大学基础教学部 辽宁 葫芦岛 125105)2(辽宁工程技术大学软件学院 辽宁 葫芦岛 125105)

0 引 言

深度学习(Deep Learning)[1]作为统计机器学习(Statistical Machine Learning)的重要分支，是目前人工智能领域备受关注的研究热点。卷积神经网络作为深度学习的重要推动力，近年来取得了重大的突破，在计算机视觉、自然语言处理和遥感图像理解等领域有出色的表现，被广泛地应用。

Hinton等[2]提出深度置信网络(DBN)，它是含多隐藏层、多感知器的一种网络结构，DBN强大的特征提取能力和“逐层初始化”特有的训练模式，有效地降低了Deep Learning模型的训练难度。与浅层学习模型相比，Deep Learning模型有更深的网络层次，通过构建复杂的非线性网络模型，对输入数据的特征进行分层学习，实现图像特征的有效提取，最后把低层学习到的特征组合为高层抽象的图像特征，完成对输入数据的分类识别。

深度置信网络的提出是深度学习发展史上的一个里程碑，从此，深度学习快速发展，并被应用到众多领域中。在图像识别过程中，为了解决特征提取困难、无法满足实时性要求等问题，Liu等[3]通过构建自适应增强模型，针对分类误差进行有目的的训练，实现了卷积神经网络模型的优化调整和分类特征的自适应增强，并且网络的收敛性能和识别精度有较大的提高。Liu等[4]提出一种结合无监督和有监督学习的网络权值预训练方法，实验验证该算法在解决训练过程中易收敛于局部最优值的问题上优于现有算法。……