Resumen

En el entorno de Internet de las Cosas, la red neuronal convolucional (CNN) es una herramienta y método importante de clasificación de imágenes. Sin embargo, las características que son extraídas por cada capa de CNN son todas de alta dimensionalidad, y las características difieren entre las capas. Además, estas características contienen cantidades sustanciales de información redundante. Para prevenir el aumento en la carga computacional y la disminución del rendimiento de generalización del modelo causados por la alta dimensionalidad, este artículo propone un algoritmo mejorado de clasificación de imágenes basado en la fusión de características profundas, que diseña y construye una CNN de 8 capas. Además, reduce la dimensionalidad de las características a través del algoritmo de reducción de dimensionalidad del análisis de componentes principales (PCA) y fusiona las características que han pasado por una reducción de dimensionalidad para hacer que las características obtenidas sean más típicas y diferenciales. Los resultados experimentales demuestran que el algoritmo propuesto mejora el rendimiento del modelo y logra una precisión satisfactoria.

• Materias:Redes de radio Sistemas de información Comunicaciones inalámbricas Cifrado de bloques
• Subjects:Radio Networks Information systems Wireless communications Block ciphers
• Palabras claves:Internet de las cosas; Red neuronal convolucional; Clasificación de imágenes; Fusión de características profundas; Análisis de componentes principales; Reducción de dimensionalidad
• Keywords:Internet of things; Convolutional neural network; Image classification; Deep feature fusion; Principal component analysis; Dimensionality reduction