高 强，李 倩

(华北电力大学电气与电子工程学院，河北保定071003)

图像分类是根据图像具有的某种属性将其划分到预先设定的不同类别中［1］。如何能提高图像分类的准确性，最核心的问题是对图像的有效表达。因此，特征的构建和提取一直受到广泛关注。近些年来常用的特征提取方法有SIFT［2］、HOG、LBP［3］、Gabor［4］等，但不能反映图像最本质的特征。深度学习能通过无监督的方式让机器自动地从样本中提取到表征这些样本的低层、高层特征，从而使学习到的特征更具有推广性和表达力。

深度信念网络(Deep Belief Network，DBN)作为深度学习的一种模型。自从Hinton等人［5］提出基于DBN的贪婪逐层训练算法之后，DBN作为一种无监督特征学习复杂层次概率模型的方法，已成功应用于语音识别［6］、手写字体识别［7］、人脸识别［8］、遥感图像分类［9］和垃圾邮件过滤［10］等领域中。然而，进一步提升DBN模型的分类性能，提高算法的正确识别率仍是需要解决的根本问题。提升性能最简单和直接的方法就是通过增加DBN网络的隐含层数或每个隐含层神经元数来实现。但文献［11-12］研究发现当DBN中的隐含层数和神经元数目达到一定峰值后，再增加数目并不会提升识别性能，反而导致整个 DBN网络训练时间过长。文献［13］从DBN网络结构着手，提出一种由DBN串联而成的层次结构深度信念网络方法，进而提升DBN的性能。文献［14］通过把卷积神经网络的局部感受野引入到DBN的单层中，把DBN的单层分成多个子RBM，提出一种改进的深度信念网络，用于有效提高识别率。……