-
题名一种基于两阶段深度学习的集成推荐模型
被引量：12
- 1
-
-
作者
王瑞琴
吴宗大
蒋云良
楼俊钢
-
机构
湖州师范学院信息工程学院
温州大学瓯江学院
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2019年第8期1661-1669,共9页
-
基金
教育部人文社科规划基金项目(19YJA870013)
国家自然科学基金项目(61403338)
浙江省科技计划重点研发项目(2017C03047)~~
-
文摘
近年来,深度学习技术被广泛应用于推荐系统领域并获得了很大的成功,然而深度学习模型的输入质量对学习结果具有很大影响,稀疏的输入特征向量不仅会增加后续模型训练的难度,而且容易导致学习结果落入局部最优.提出一个基于两阶段深度学习的集成推荐模型:首先,利用具有封闭式参数计算能力的边缘化堆叠去噪自动编码机进行用户和项目高层抽象特征的提取;然后,将得到的用户抽象特征和项目抽象特征进行连接并作为深度神经网络模型的输入向量,通过联合训练的方式进行参数学习和模型优化.此外,为了对低阶特征交互进行建模,推荐模型中还集成了基于原始特征向量的逻辑回归模型.在通用数据集上的大量对比实验研究表明:与当前流行的深度学习推荐方法相比,该方法在推荐精度和召回率方面都有所改善,甚至是在数据稀疏和冷启动的环境下.
-
关键词
深度学习
边缘化堆叠去噪自动编码机
深度神经网络
特征提取
-
Keywords
deep learning
marginalized stacked denoising auto-encoder
deep neural network (DNN)
feature extraction
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进堆叠稀疏降噪自编码器的轴承故障诊断
被引量：9
- 2
-
-
作者
张智恒
周凤星
严保康
喻尚
-
机构
武汉科技大学信息科学与工程学院
-
出处
《轴承》
北大核心
2021年第2期35-41,共7页
-
文摘
为提高堆叠稀疏降噪自编码器的性能,解决其计算复杂度高、收敛速度慢等问题,提出了一种基于堆叠边缘化稀疏降噪自编码器的滚动轴承故障诊断方法。首先,对稀疏降噪自编码器的损失函数进行边缘化处理,并结合逐层贪婪训练策略构建出SMSDAE网络;然后,将SMSDAE网络与Softmax分类器结合,得到SMSDAE-Softmax特征提取模型;最后,将提取到的特征输入到SVM多分类器中完成对滚动轴承的智能故障诊断。QPZZ-Ⅱ旋转机械故障模拟试验平台所得故障信号的处理结果表明,该方法的平均故障诊断率达到了99.9%,相对于其他方法具备更快的收敛速度,更好的诊断效果,以及更强的鲁棒性。另外,采用美国西储大学轴承数据中心10种轴承故障信号进行分析,结果证明了该方法在面对不同类型轴承以及多种故障信号时具备良好的诊断性能,有一定的普适性。
-
关键词
滚动轴承
故障诊断
堆叠边缘化稀疏降噪自编码器
深度学习
-
Keywords
rolling bearing
fault diagnosis
stacked marginalized sparse denoising auto-encoder
deep learning
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TP277
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于栈式去噪自动编码器的边际Fisher分析算法
被引量：4
- 3
-
-
作者
颜丹
蒋加伏
-
机构
长沙理工大学计算机与通信工程学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2017年第5期134-139,共6页
-
文摘
特征学习是模式识别领域的关键问题。基于自动编码器的深度神经网络通过无监督预训练与有监督微调能够有效地提取数据中关键信息,形成特征。提出一种基于栈式去噪自编码器的边际Fisher分析算法,该算法将边际Fisher分析运用于有监督微调阶段,进一步提升算法的特征学习能力。实验结果表明,该算法与标准的栈式去噪自编码器和基于受限玻尔兹曼机的深度信念网相比,具有更好的识别效果。
-
关键词
特征学习
深度学习
人工神经网络
栈式去噪自动编码器
边际Fisher分析
-
Keywords
feature learning
deep learning
artificial neural network
stacked denoising autoencoders
marginal Fisher analysis
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名用于域适应的多边缘降噪自动编码器
被引量：2
- 4
-
-
作者
杨帅
胡学钢
张玉红
-
机构
合肥工业大学计算机与信息学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2019年第2期322-329,共8页
-
基金
国家自然科学基金Nos.61503112
61673152
61503116~~
-
文摘
神经网络模型被广泛用于跨领域分类学习。边缘堆叠降噪自动编码器(marginalized stacked denoising autoencoders,mSDA)作为一种神经网络模型,通过对源领域和目标领域数据进行边缘化加噪损坏,学习一个公共的、健壮的特征表示空间,从而解决领域适应问题。然而,mSDA对所有的特征都采取相同的边缘化加噪处理方式,没有考虑到不同特征对分类结果的影响不同。为此,对特征进行区分性的噪音系数干扰,提出多边缘降噪自动编码器(multi-marginalized denoising autoencoders,M-MDA)。首先,利用改进的权重似然率(weighted log-likelihood ratio update,WLLRU)区分出领域间的共享和特有特征;然后,通过计算特征在两个领域的距离,对共享特征和特有特征进行不同方式的边缘化降噪处理,并基于单层边缘降噪自动编码器(marginalized denoising autoencoders,MDA)学习获取更健壮的特征;最后,对新的特征空间进行二次损坏以强化共享特征的比例。实验结果表明,该方法在跨领域情感分类方面优于基线算法。
-
关键词
情感分类
跨领域
噪音
边缘堆叠降噪自动编码器(mSDA)
-
Keywords
sentiment classification
cross-domain
noise
marginalized stacked denoising autoencoders(mSDA)
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
