为提高受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)数据学习能力和抑制训练的特征同质化问题,提出一种随机受限玻尔兹曼机组(Random-RBM Group,R-RBMG)设计.对观测数据进行随机维度组合,在随机维度组合的基础上构建子RBM群组并...为提高受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)数据学习能力和抑制训练的特征同质化问题,提出一种随机受限玻尔兹曼机组(Random-RBM Group,R-RBMG)设计.对观测数据进行随机维度组合,在随机维度组合的基础上构建子RBM群组并实施训练,随后依据神经网络的层数选择模型特征组合方式,针对浅层结构设置为均值组合方式,针对深层模型设置为隐单元叠加方式.理论分析表明,随着组内模型数目的增加,R-RBMG所要学习的训练目标将逐渐接近于标准RBM的训练目标,并且能够有效减少特征同质化带来的影响;实验结果表明,与衰落机制相比,R-RBMG能够有效提高RBM的特征学习能力,应用所组建的浅层结构和深层结构特征,将MNIST(Mixed National Institute of Standards and Technology)数据库实验的分类准确率分别提高了2%和0.4%.展开更多
文摘为提高受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)数据学习能力和抑制训练的特征同质化问题,提出一种随机受限玻尔兹曼机组(Random-RBM Group,R-RBMG)设计.对观测数据进行随机维度组合,在随机维度组合的基础上构建子RBM群组并实施训练,随后依据神经网络的层数选择模型特征组合方式,针对浅层结构设置为均值组合方式,针对深层模型设置为隐单元叠加方式.理论分析表明,随着组内模型数目的增加,R-RBMG所要学习的训练目标将逐渐接近于标准RBM的训练目标,并且能够有效减少特征同质化带来的影响;实验结果表明,与衰落机制相比,R-RBMG能够有效提高RBM的特征学习能力,应用所组建的浅层结构和深层结构特征,将MNIST(Mixed National Institute of Standards and Technology)数据库实验的分类准确率分别提高了2%和0.4%.
