APP下载

基于Lorentz函数的稀疏约束RBM模型的算法研究

2018-04-08邹维宝于昕玉

计算机工程与应用 2018年7期
关键词:分类模型

邹维宝,于昕玉,麦 超

ZOU Weibao1,YU Xinyu1,MAI Chao2

1.长安大学 地质工程与测绘学院,西安 710054

2.广西壮族自治区遥感信息测绘院,南宁 530023

1.School of Geological Engineering and Surveying,Chang’an University,Xi’an 710054,China

2.Guangxi ZhuangAutonomous Region Remote Sensing Information Surveying and Mapping Institute,Nanning 530023,China

1 引言

人工神经网络[1-4](Artificial Neural Network,ANN)作为一种运算模型,是通过模仿生物神经网络的功能和结构,由大量的人工神经元之间相互连接组成,是实现人工智能的先导性技术之一。1986年Hinton等人提出了一种反馈式神经网络模型——玻尔兹曼机(Boltzmann Machine,BM)[5],用来改进确定性神经网梯度下降法学习目标特征时容易陷入局部极小点的问题。BM是由随机神经元之间全连接组成的,它采用无监督方式学习,对于特征较复杂的数据,该模型具有很好的学习能力,但是网络训练时间较长。由于BM估计数据分布具有困难性,所以Smolensky[6]引入了受限玻尔兹曼机(RBM)。RBM由可见神经元层和隐神经元层组成,但是层内无连接,层间相连接,这一限定使得相比一般玻尔兹曼机更高效的训练算法成为可能,直接计算依赖数据的期望值变得容易。自RBM的基本模型被提出以来,尤其是基于CD的快速学习算法[7-8]被提出之后,RBM受到了前所未有的关注,特别是在图像处理领域。RBM具有强大的无监督学习能力,能够从大量的数据中学习到有用的特征表示,尤其适合提取图像的特征信息[9]。另一方面,视觉是大脑获取外界信息的主要来源,视觉系统对所感知的图像特征以稀疏编码的形式进行描述,这既对繁杂冗余的信息提供了简单表示,又利于上层传感神经元抽取刺激中最本质的特征,因此将稀疏这一概念引入到RBM中,目的是学习到更有效的特征信息。……

登录APP查看全文

猜你喜欢

分类模型
一半模型
分类算一算
垃圾分类的困惑你有吗
重尾非线性自回归模型自加权M-估计的渐近分布
教你一招:数的分类
3D打印中的模型分割与打包
FLUKA几何模型到CAD几何模型转换方法初步研究
给塑料分分类吧
一个相似模型的应用