耿志强　张怡康



一种基于胶质细胞链的改进深度信念网络模型

耿志强1张怡康1

深度信念网络（Deep belief network，DBN）是一种从无标签数据学习特征的多层结构模型.在同一层单元间缺少连接，导致数据中的深度关联特征难以提取.受到人脑中胶质神经细胞机制的启示，提出一种基于胶质细胞链的改进DBN模型及其学习算法，以提取更多数据信息.在标准图像分类数据集上的实验结果表明，与其他几种模型相比，本文提出的改进DBN模型可以提取更为优秀的图像特征，提高分类准确率.

深度信念网络，胶质细胞，无监督学习，特征提取

引用格式耿志强，张怡康.一种基于胶质细胞链的改进深度信念网络模型.自动化学报，2016，42（6）：943-952

近年来，使用深度学习方法，建立多层网络模型，尝试在样本数据上逐层提取高级特征已成为机器学习、模式识别、特征提取与数据挖掘等领域的一个重要研究方向.神经科学研究表明人类大脑是一个由神经元组成的深度结构，对大脑皮层不同区域输入信息的多级抽象，可以使人脑完成复杂的物体识别任务［1］.因此，深度学习相关研究专注于模拟人类大脑的多层结构以获取更好的学习性能.

深度信念网络（Deep belief network，DBN）是一种由多层非线性变量连接组成的生成式模型［2］. DBN可以看作由多个受限玻尔兹曼机（Restricted Boltzmann machine，RBM）层叠构成，其中前一个RBM的隐含层将作为下一个RBM的可视层.组成DBN的每一个RBM都可以使用上一层的输出单独训练，因此与传统的神经网络相比……