论文基于卷积神经网络（CNN）高速路交通图片拥堵识别是适合卷积神经网络论文写作的大学硕士及相关本科毕业论文，相关卷积神经网络 深度学习开题报告范文和学术职称论文参考文献下载。
摘 要：近年来,高速路的拥堵问题变得越来越严重,传统的交通拥堵识别采用视频进行研究,其具有代价昂贵,识别速度慢的缺点.文章提出了一种基于图片进行交通拥堵识别的方法.因为卷积神经网络（CNN）在图像识别方面有着识别速度快,适用范围广,识别准确率高的优点,所以文章使用了带有relu激活函数代替传统的sigmod函数和tanh函数,并引入了dropout层的卷积神经网络模型GoogleNet,并对网络结构和参数进行了调整优化,得到了一个交通拥堵图片识别的改进的GoogleNet改进模型,该模型的样本内测试准确率达到了98.6%.在对2000张现实高速路上的图片进行识别测试后,测得其准确率为96.5%.采用文理特征的传统方法的高速路交通拥堵图像识别准确率为90%.
关键词：卷积神经网络；GoogleNet模型；拥堵
中图分类号：TP391.41 文献标志码：A 文章编号：2095-2945（2018）05-0018-02
Abstract： In recent years, the problem of highway congestion has become more and more serious. Traditional traffic congestion identification is studied by video, which has the disadvantages of high cost and low recognition speed. This paper presents a method of traffic congestion identification based on pictures. Because the convolution neural network （CNN） has the advantages of high recognition speed, wide range of application and high recognition accuracy in image recognition, we use the ReLU activation function instead of the traditional Sigmod function and Tanh function, and introduce the Dropout layer convolution neural network model GoogleNet. The network structure and parameters are adjusted and optimized, and an improved GoogleNet model for traffic congestion image recognition is obtained. The test accuracy of the model is 98.6%. After the recognition test of 2,000 images on the real highway, the accuracy rate is 96.5%. The recognition accuracy of highway traffic congestion image using traditional methods of literary and scientific features is 90%.
Keywords： convolutional neural network（CNN）； GoogleNet model； congestion
1 概述
近年來,随着社会经济的发展,我国社会呈现的交通拥堵问题越来越严重,传统的交通拥堵识别方法基于视频中车辆的移动速度,这种方法设备昂贵,代价较高,覆盖面窄.如今,深度学习成为机器学习的一个重要研究方向,卷积神经网络广泛应用于图片的识别和分类.
2 CNN的GoogleNet模型结构
CNN的GoogleNet模型是一种由卷积层（convolutional）,降采样层（pooling）和全连接层（full-connected）组成的深度神经网络模型,它有两方面的优势：一方面是它是非全连接的型的神经元连接方式,另一方面是一层中神经元之间是共享权重的.CNN主要应用在语音分析和图像识别领域,本文采用了经典的GoogleNet模型,其模型结构如图1.
在典型的CNN模型里,前面几层主要是卷积层和子采样层,后面是全连接层.一般地,CNN的基本结构包括两层,其一为特征提取层,每个神经元的输入和前一层的局部接受域相连,并提取该局部的特征.一旦该局部特征被提取后,它和其他特征间的位置关系也随之确定下来；其二是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等.特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性.此外,由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数.卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均和二次提取的计算层,这种特有的两次特征提取结构减小了特征分辨率.
3 基于GoogleNet的高速路交通图片拥堵识别
3.1 方法流程
对于交通拥堵图片识别,GoogleNet的处理流程,首先将训练样本进行大小为256*256的归一化,为防止出现连续的劣质样本对实验结果产生不良影响,实验的训练过程中对训练样本一般采取批处理的方式,即每次随机迭取固定数目的训练样本作为一个批次（epoch）,然后将这个批次（epoch）作为输入,然后通过bp算法对每个批次（epoch）进行一次权值更新,当达到一定的迭代次数或者误差达到给定阈值时停止训练.将测试样本作为输入数据,将输入数据输入训练好的GoogleNet模型中,通过前向传播进行误差计算,然后根据结果得出分类的结果.
总结:本论文可用于卷积神经网络论文范文参考下载，卷积神经网络相关论文写作参考研究。
参考文献：
1、 基于卷积神经网络语音情感识别 摘 要：语音识别对于人机交互而言一直以来都是非常重要的。而仅仅识别语音的内容，忽略它的情感是不完整的识别。因此，对语音情感的研究十分有必要。卷积。
2、 基于卷积神经网络的短文本分类方法 摘 要：文本分类一直是自然语言处理中一个备受关注的问题，在邮件分类、文件检索、用户情感识别等领域有着广阔的应用。同时人工智能飞速发展，卷积神经网。
3、 卷积神经网络在语言识别中应用 摘 要 近年来，随着理论的发展与大数据的来临，人工智能、深度学习再度成为学术界研究的热点。本研究的主要目标是通过卷积神经网络实现对江苏省方言的分。
4、 基于全卷积神经网络的图像缩略图生成算法 摘要：为提高缩略图生成中有效信息的保留率，该文提出一种基于全卷积人工神经网络并以图像显著性图驱动的缩略图生成算法。算法可有效识别图像中显著性区域。
5、 软件定义网络（SDN） 摘要：软件定义网络作为一种新型的网络架构，从其提出之日就展现出了无与伦比的优越性，其集中式的网络管理模式、数据与设备分离的网络模型以及廉价的运行。
6、 唐宋时期湘赣禅宗网络（下） 三、“湘赣禅宗网络”与南禅僧人的“走江湖”本书题名为《湘赣禅宗网络研究》。湘、赣指的是湖南与江西两省；禅宗指的是唐代兴起、以崇奉六祖慧能为创派。