返回
Lightweight convolutional neural network based on overlapping kernel compression pruning for modeling nonlinear systems
DOI:10.1007/s11431-026-3359-9.png)
摘要
En 中文
卷积神经网络(CNNs)通过堆叠大量卷积核,利用空间特征过滤来建模非线性系统。然而,具有相似空间权重排列的重叠核因重复特征提取引入虚假相关性,导致高计算成本和有限的泛化能力。为解决此问题,本文提出了一种基于重叠核压缩剪枝的轻量化卷积神经网络(LCNN)。首先,设计了一种重叠核感知(OKP)方法来评估LCNN的核冗余度。OKP方法采用谱聚类将相似核分组到图拉普拉斯谱空间中,并通过纳入具有相似空间权重排列的重叠核来扩大冗余范围。其次,构建了一种核压缩剪枝(KCP)策略来剪除冗余核。在核冗余的指导下,KCP策略对每组相似核执行奇异值分解,并自适应截断分解矩阵的秩以重建紧凑的代表性核集合。第三,开发了一种正则化梯度下降算法来剪枝后微调LCNN的参数。最后,在三个工业数据集上的实验结果证实了LCNN相比其他模型的优越泛化性能。
Keyword:
convolutional neural networks
kernel compression pruning
generalization
kernel redundancy
期刊
IF:
4.9
论文数:
5.0K
被引数:
9.9K
机构
暂无机构信息
引用论文
ReCNAS: Resource-Constrained Neural Architecture Search Based on Differentiable Annealing and Dynamic PruningReCNAS: 基于可微退火和动态修剪的资源受限神经结构搜索

