蜜蜂CNN模糊進(jìn)化深度學(xué)習(xí)算法（人臉識(shí)別，智能優(yōu)化算法，MATLAB源碼分享）
在訓(xùn)練階段之后，可以使用進(jìn)化算法擬合深度學(xué)習(xí)權(quán)重和偏差。
這里，CNN用于對(duì)8個(gè)人臉類(lèi)別進(jìn)行分類(lèi)。
在CNN訓(xùn)練之后，創(chuàng)建初始模糊模型以幫助學(xué)習(xí)過(guò)程。
最后，CNN網(wǎng)絡(luò)權(quán)重（來(lái)自全連接層）使用蜜蜂算法訓(xùn)練，以自然啟發(fā)的方式進(jìn)行擬合（這里是蜜蜂的行為）。
可以將數(shù)據(jù)與任意數(shù)量的樣本和類(lèi)一起使用。
請(qǐng)記住，代碼的參數(shù)是根據(jù)數(shù)據(jù)進(jìn)行調(diào)整的，如果要替換數(shù)據(jù)，可能需要更改參數(shù)。
圖像數(shù)據(jù)大小為64*64，2維，存儲(chǔ)在“CNNDat”文件夾中。
因此，重要的參數(shù)如下：
“numTrainFiles”=您必須根據(jù)每個(gè)類(lèi)中的樣本數(shù)量來(lái)更改它。
例如，如果每個(gè)類(lèi)有120個(gè)樣本，那么90個(gè)就足夠好了，因?yàn)?0個(gè)樣本用于訓(xùn)練，而其他樣本用于測(cè)試。
“imageInputLayer”=圖像數(shù)據(jù)的大小，如[64 64 1]
“fullyConnectedLayer（完全連接層）”=類(lèi)的數(shù)量，如（8）
“MaxEpochs”=越多越好，計(jì)算運(yùn)行時(shí)間越長(zhǎng)，如405。
“ClusNum”=模糊C均值（FCM）聚類(lèi)數(shù)，如3或4很好

ID:5630691054012440

總結(jié)

以上是生活随笔為你收集整理的蜜蜂CNN模糊进化深度学习算法的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。