• • 下一篇
ZHANG Rui1, PAN
Junming1, BAI Xiaolu2, HU Jing1, ZHANG Rongguo1,
ZHANG Pengyun1
摘要: 为进一步提高深度分类模型超参数多目标自适应寻优效率,提出一种筛选式增强Dropout代理模型(Filter Enhanced Dropout Agent model, FEDA)。首先,构建点对互信息约束增强的双通道Dropout神经网络,增强对高维超参数深度分类模型的拟合,并结合聚集选解策略加速候选解集的选取;其次,设计一种结合模型管理策略的算法FEDA-ARMOEA均衡种群个体的收敛性和多样性,协助FEDA提高深度分类模型训练及超参数自优化效率。将FEDA-ARMOEA与EDN-ARMOEA、HeE-MOREA等算法进行对比实验,实验结果表明,FEDA-ARMOEA在41组测试问题上表现较好。在工业应用焊缝数据集MTF和公共数据集CIFAR-10上实验,FEDA-ARMOEA优化的分类模型在MTF数据集和CIFAR-10数据集上的精度分别达到96.16%和93.79%,训练时间相对对比算法分别平均提高了34.29%和25.55%,均优于对比算法,验证了所提算法的有效性和泛化性。
中图分类号: