ty -jour a2- he，jun au- kamsing，patcharin au -torteeka，peerapong au -boonpook，boonpook，wuttichai au -cao，chunxiang py -2020 da -2020/10/07 ti-深神经学习适应性的蒙特式蒙特·卡洛图像和语音识别SP -8866259 VL -2020 AB-为了增强图像分类和语音识别的性能，优化器被认为是实现高准确性的重要因素。最先进的优化器可以在可能不需要很高准确性的应用中执行，但对高精度图像分类和语音识别的需求正在增加。这项研究实现了一种自适应方法，用于使用梯度下降优化器应用粒子滤清器技术来提高模型学习性能。使用预验证的模型有助于减少计算时间以部署图像分类模型，并使用简单的深卷积神经网络进行语音识别。应用方法导致语音识别精度得分更高，即测试数据集的89.693％，比传统方法达到89.325％。应用方法在图像分类任务上还表现良好，在测试数据集上达到89.860％的精度，比常规方法更好，该方法的精度为89.644％。尽管准确性略有差异，但应用的优化器在整个数据集中都表现良好。SN -1687-9724 UR -https：//doi.org/10.1155/2020/8866259 do -10.1155/2020/8866259 JF-应用计算智能和软计算