基于深度玻尔兹曼机的特征学习算法研究

《基于深度玻尔兹曼机的特征学习算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、单位代码：１００１０学号：如８２００名巧化《化义夫營硕±研究生学位论文题Ｓ矣ｉ游ｉ視朱放费Ｍ動轉似巧；衣游＇表气！专亚斗机种營ｆ它抱求科硏究±（＾ｆｇ指导教师书鸣曰期：如Ｍ年少月２ｉ曰＾北京化工大学学位论文原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中己经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均己在文中Ｗ明确方式标明。本人完全意识到本声明的法律结果由本人承担。、

2、么作者签名：怒日期：２ｑ＿车译—ＵＡ关于论文使用授权的说明学位论文作者完全了解北京化工大学有关保留和使用学位论文目Ｐ的规定，；研究生在校攻读学位期间论文Ｘ作的知识产权单位属北京化工大学。学校有权保留并向国家有关部口或机构送交论文的复印件和磁盘，允许学位论文被查阅和借阅学校可公布学位论文的全；、部或部分内容，可切允许采用影印、缩印或其它复制手段保存、汇编学位论文。非保密论文注释：本学位论文不属于保密范围，适用本授权书。、作者签名：采鮮隻Ｂ期：——导师签名：朱囊曰期：２ｃ／名、学位论文数据集中图分类号ＴＰ３９１．１

3、学科分类号５２０．４０论文编号１００１０１０１６０８０８密级公开学位授予单位代码１００１０学位授予单位名称北京化工大学作者姓名朱常宝学号２０１３２００８０８获学位专业名称计算机科学与技术获学位专业代码０８１２００课题来源自选题目研究方向机器学习论文题目基于深度玻尔兹曼机的特征学习算法研究关键词深度置信网络，半监督思想，受限玻尔兹曼机２０＊论文答辩日期１６．０５．２４论文类型基础研巧学位论文评阅及答辩委员会情况姓名职称工作单位学科专长指导教师程勇讲师北京化工大学机器学习，图

4、像处理评阅人１施智平副研究员首都师范大学人工智能评阅人２尤枫副教授北京化工大学软件测试，软件可靠性评阅人３＊评阅人４评阅人５答辨委员会主席赵瑞莲教授北京化工大学软件测试答辩委员１耿志强教授北京化工大学计算机应用技术答辩委员２李辉副教授北京化工大学密码学，安全学答辩委员３胡伟副教授北京化工大学圓形图像答辩委员４尤枫副教授北京化工大学软件测试，软件可靠性答辩委员５一注．３．：．论文类退：１．基础研究２店巧研究开发研究４．其它二．中图分类号在《中国困书资料分类法》查询。

5、互－．学科分类号在中华人民共和国国家标准（ＧＢ／Ｔ］３７４５９）《学科分类与代码》中查询。四．论文编号由单位代码和年份及学号的后四位组成。＾基于深度玻尔兹曼机的特征学习算法研究摘要近几年来、语音、视频等非结构化数据领域中，深度学习在图像。获得了前所未有的成功，已成为人工智能和机器学习研究的热点深层网络的优越性主要体现在更丰富表述信息的特征且具有更大的知识表示空间对客观世界进行表示。，伴随着大数据的到来，数据的获取变得更加容易数据的格式也花样辈出，，其学习的模型结构也越来越實杂针对深度学习模型算法。效率的提升的研究越来越

6、受到关注现如今常用的深层网络模型中，深度信念网络（Ｄｅ巧ＢｅｌｉｅｆＮｅｔｗｏｒｋｓ，ＤＢＮ）是较为成熟的模型，它是南多个受限波尔兹曼机堆叠而成，通过隐藏层逐层向上抽取使信息。能更抽象表达，故深层网络对输入有更好的描述能力海量的数据可使其深度学习模型的学习算法特征提取性能不断提高，所在算法提升方面的研究显得尤为重要。深度学习本质上仍然属于监督学习模型。通过大量的训练实例来不断的训练神经元之间的权重，最终使得整个神经网络按照最大的概率来生成训练数据，成功的深度学习应用往往要求较大的离质量的训练集。由于原始数据存在的错误和不规范，在现实中往往

7、还需要对数据进行预处理。在当今大数据时代，这个预处理工作往往占据了全部。项目的大部分时间和资源，大大限制了深度学习的实际应用ｔ北京化工大学硕±学位论文本文主要贡献在于：一１．提出了种新的基于深度置信网络模型学习算法改进，能够使模型提取特征的效率提高，使模型能更优的描述数据集的几何表示。在向上逐层贪婪算法中加入阔值来选择性的更新全局参数。在反向传播微调算法中在微调后期对网络最高层和最高Ｎ层的参数周期性更新迭代，这两种形式相结合来提高学习效率，减少模型的学习时间，并在最终