博弈是人工智能领域的重要研究主题,人工智能技术的发展在很多方面得益于博弈的发展。围棋作为博弈研究的主要内容之一,因其具有搜索空间大和难以建立评价函数的难点,使得传统的搜索方法很难获得令人满意的对弈性能。近年来,基于卷积神经网络的围棋棋步预测方法逐渐成为解决围棋博弈问题的一种有效途径。这是因为,第一,棋步预测方法通过监督学习来预测人类高水平棋手的走棋,该过程并不需要进行深度搜索,因此能够避免围棋分支因子高的问题；第二,棋步预测方法与人类棋手在对弈时的思考方式相一致；第三,由于卷积神经网络能够直接

本文在深度学习框架的基础上对特征提取方法进行了研究,并通过医学图像、人脸表情的检测和分类对其效果进行了验证。本文的研究内容主要包括以下三点:1)提出有约束的高分散主成分分析网络(Constrained High Dispersal PCANet,CHDNet)。本文详细分析了 CHDNet的不同组件对分类性能的影响,针对PCANet的局限性,设计了非线性变化层、多尺度特征池化层,以提高分类性能。将CHDNet应用在医学图像分类中,包括基于Kinect深度图像的人体生理机能自动检测和计算机辅助舌象

基于卷积网络的图像分类方法‘基于卷积网络的图像分类方法‘基于卷积网络的图像分类方法‘基于卷积网络的图像分类方法‘’’’’