-
题名基于稀疏降噪自编码器的深度置信网络
被引量：12
- 1
-
-
作者
曾安
张艺楠
潘丹
Xiao-Wei Song
-
机构
广东工业大学计算机学院
广东建设职业技术学院现代教育技术中心
西蒙弗雷泽大学影像技术实验室
-
出处
《计算机应用》
CSCD
北大核心
2017年第9期2585-2589,共5页
-
基金
国家自然科学基金资助项目(61300107)
广东省自然科学基金资助项目(S2012010010212)
+1 种基金
广州市科技计划资助项目(201504301341059
201505031501397)~~
-
文摘
传统的深度置信网络(DBN)采用随机初始化受限玻尔兹曼机(RBM)的权值和偏置的方法初始化网络。虽然这在一定程度上克服了由BP算法带来的易陷入局部最优和训练时间长的问题,但随机初始化仍然会导致网络重构和原始输入的较大差别,这使得网络无论在准确率还是学习效率上都无法得到进一步提升。针对以上问题,提出一种基于稀疏降噪自编码器(SDAE)的深度网络模型,其核心是稀疏降噪自编码器对数据的特征提取。首先,训练稀疏降噪自编码;然后,用训练后得到的权值和偏置来初始化深度置信网络;最后,训练深度置信网络。在Poker Hand纸牌游戏数据集和MNIST、USPS手写数据集上测试模型性能,在Poker Hand数据集下,方法的误差率比传统的深度置信网络降低46.4%,准确率和召回率依次提升15.56%和14.12%。实验结果表明,所提方法能有效地改善模型性能。
-
关键词
深度置信网络
受限玻尔兹曼机
稀疏降噪自编码器
深度学习
-
Keywords
Deep Belief Network （DBN） Restricted Boltzmann Machine （RBM） Sparse Denoising AutoEncoder （SDAE） deep learning
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
