本文關(guān)鍵詞：深度學(xué)習(xí)與主成分分析融合的研究與應(yīng)用

  更多相關(guān)文章： 深度學(xué)習(xí) 主成分分析 算法融合 地球化學(xué)

【摘要】：隨著大數(shù)據(jù)時(shí)代的來臨,數(shù)據(jù)量與日俱增,數(shù)據(jù)模式越來越復(fù)雜,數(shù)據(jù)間關(guān)聯(lián)性大,分類和預(yù)測(cè)任務(wù)的難度越來越高,導(dǎo)致在某些領(lǐng)域傳統(tǒng)的淺層機(jī)器學(xué)習(xí)算法難以表現(xiàn)出良好的性能。深度學(xué)習(xí)是在傳統(tǒng)的淺層結(jié)構(gòu)上通過增加隱藏層數(shù)而發(fā)展起來的一種更為接近人腦模式的網(wǎng)絡(luò)結(jié)構(gòu)。2006年Hinton提出通過貪婪層疊方式構(gòu)建深信度網(wǎng)絡(luò),其訓(xùn)練測(cè)試結(jié)果取得了令人鼓舞的效果,從而引起了各界人士的廣泛關(guān)注。深度學(xué)習(xí)雖然在許多領(lǐng)域被廣泛使用,但是它的最終結(jié)果卻不是最優(yōu)的,需要融合傳統(tǒng)方法,因此算法融合是當(dāng)前深度學(xué)習(xí)的一個(gè)方向,它可以增加準(zhǔn)確率,提高速度,降低時(shí)間和空間的復(fù)雜度。主成分分析能保留原始數(shù)據(jù)的信息特性,是降維一種常用方法,它通過對(duì)原始數(shù)據(jù)的映射變換,將數(shù)據(jù)轉(zhuǎn)化到一個(gè)維度相對(duì)低的空間中,從而達(dá)到降維目的�？紤]到深度學(xué)習(xí)的不足以及主成分分析的優(yōu)勢(shì),本文將深度學(xué)習(xí)和主成分分析有機(jī)融合,改善深度學(xué)習(xí)的性能并提高其準(zhǔn)確率。本文主要研究?jī)?nèi)容有以下兩個(gè)方面:深度學(xué)習(xí)和主成分分析方法的融合算法的分析和測(cè)試以及深度學(xué)習(xí)在地球化學(xué)分析中的應(yīng)用。利用主成分分析算法對(duì)原始數(shù)據(jù)進(jìn)行降維預(yù)處理,達(dá)到降低輸入層輸入維度的目的;深信度網(wǎng)絡(luò)輸出高級(jí)抽象特征后,利用主成分分析算法降低特征維度,為后面的有監(jiān)督學(xué)習(xí)方法提供低維度輸入,降低整體時(shí)間復(fù)雜度;勘探地球化學(xué)找礦是礦產(chǎn)資源勘查的重要手段,混沌、分形和神經(jīng)網(wǎng)絡(luò)等方法被廣泛使用,然而深度學(xué)習(xí)在該學(xué)科的使用還很少,因此將深度學(xué)習(xí)應(yīng)用在地球化學(xué)中,識(shí)別出與成礦有關(guān)的礦化信息并構(gòu)建合理的塊體模型。本文首先根據(jù)深度學(xué)習(xí)和主成分分析方法,通過對(duì)二者的有機(jī)融合,設(shè)定網(wǎng)絡(luò)初始化參數(shù),并通過多次試驗(yàn)平均的結(jié)果,最終確定各個(gè)網(wǎng)絡(luò)參數(shù),并利用公開數(shù)據(jù)庫MNIST數(shù)據(jù)集測(cè)試本文的融合算法。最后,本文將這種方法應(yīng)用在地球化學(xué)中,得到最終結(jié)果。通過本文分析,結(jié)合主成分分析和深度學(xué)習(xí)的優(yōu)勢(shì),將二者有機(jī)地融合起來,利用該方法在MNIST手寫數(shù)據(jù)庫上做測(cè)試,在網(wǎng)絡(luò)層數(shù)為3層,學(xué)習(xí)率為0.5,動(dòng)量項(xiàng)0.1得到錯(cuò)誤率為1.1%以及訓(xùn)練時(shí)間4.01s的結(jié)果,相比傳統(tǒng)網(wǎng)絡(luò)在相同參數(shù)下得到錯(cuò)誤率為1.2%,訓(xùn)練時(shí)間為4.3s,得到了比傳統(tǒng)深信度網(wǎng)絡(luò)算法更快更準(zhǔn)的結(jié)果。本文利用該融合算法,通過對(duì)攀枝花某礦區(qū)的土壤地球化學(xué)測(cè)量數(shù)據(jù)的分析,將得到的結(jié)果利用碩士期間自主開發(fā)的軟件平臺(tái),顯示了當(dāng)?shù)氐牡V床分布,說明本文這種融合方式可以處理地球化學(xué)數(shù)據(jù),并能建立出合理的體模型,說明了本文改進(jìn)方法可以在地球化學(xué)分析中得到使用。
【關(guān)鍵詞】：深度學(xué)習(xí) 主成分分析 算法融合 地球化學(xué)
【學(xué)位授予單位】：成都理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：P628
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-18
• 1.1 研究背景10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.2.1 國外研究現(xiàn)狀11-12
• 1.2.2 國內(nèi)研究現(xiàn)狀12-13
• 1.3 研究目的和意義13-14
• 1.4 主要研究?jī)?nèi)容、創(chuàng)新點(diǎn)及技術(shù)路線14-15
• 1.4.1 主要研究?jī)?nèi)容14-15
• 1.4.2 主要?jiǎng)?chuàng)新點(diǎn)15
• 1.4.3 研究技術(shù)路線15
• 1.5 論文章節(jié)安排15-17
• 1.6 本章總結(jié)17-18
• 第2章 深度學(xué)習(xí)和主成分分析18-27
• 2.1 深度學(xué)習(xí)概述18-24
• 2.1.1 深度學(xué)習(xí)優(yōu)缺點(diǎn)及其分類18-19
• 2.1.2 受限玻爾茲曼機(jī)（RBM）19-23
• 2.1.3 深信度網(wǎng)絡(luò)23-24
• 2.2 主成分分析24-25
• 2.3 本章總結(jié)25-27
• 第3章 深信度網(wǎng)絡(luò)的設(shè)計(jì)和測(cè)試27-41
• 3.1 網(wǎng)絡(luò)輸入層節(jié)點(diǎn)的確定27
• 3.2 網(wǎng)絡(luò)深度的確定27-28
• 3.3 網(wǎng)絡(luò)參數(shù)設(shè)置28-30
• 3.3.1 學(xué)習(xí)率和動(dòng)量項(xiàng)28-29
• 3.3.2 權(quán)重初始權(quán)值和偏置設(shè)置29-30
• 3.3.3 隱藏層節(jié)點(diǎn)數(shù)確定30
• 3.4 分類預(yù)測(cè)模型30-32
• 3.4.1 PCA對(duì)特征降維處理30-31
• 3.4.2 用于分類預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)31-32
• 3.5 DBN網(wǎng)絡(luò)的最終結(jié)構(gòu)32-34
• 3.6 改進(jìn)算法的測(cè)試34-40
• 3.6.1 原始DBN算法的測(cè)試結(jié)果34-36
• 3.6.2 融合算法的測(cè)試結(jié)果36-39
• 3.6.3 結(jié)果比較39-40
• 3.7 本章總結(jié)40-41
• 第4章 改進(jìn)算法在攀枝花某礦區(qū)的應(yīng)用41-50
• 4.1 地質(zhì)區(qū)簡(jiǎn)介41-42
• 4.2 地質(zhì)區(qū)數(shù)據(jù)處理42-44
• 4.3 算法應(yīng)用44-47
• 4.4 結(jié)果分析47-48
• 4.5 展望48-49
• 4.6 本章總結(jié)49-50
• 結(jié)論50-51
• 致謝51-52
• 參考文獻(xiàn)52-55
• 攻讀學(xué)位期間取得學(xué)術(shù)成果55

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 姚澤清,王衍波;江蘇省國民經(jīng)濟(jì)主要指標(biāo)的主成分分析[J];運(yùn)籌與管理;2003年03期

2 尉雪波,張輝;灰色主成分分析及其應(yīng)用[J];山東財(cái)政學(xué)院學(xué)報(bào);2004年05期

3 夏國恩;金煒東;張葛祥;;非線性主成分分析新方法[J];統(tǒng)計(jì)與決策;2006年05期

4 馬翔宇;陳志華;鄒颯楓;趙力;;基于主成分分析的音樂事件相關(guān)腦電變化研究[J];現(xiàn)代生物醫(yī)學(xué)進(jìn)展;2009年03期

5 張維銘;陳文興;;運(yùn)用主成分分析制定服裝標(biāo)準(zhǔn)的探討[J];浙江絲綢工學(xué)院學(xué)報(bào);1986年02期

6 李永福,孫文爽 ,王元平;廣義主成分分析[J];云南大學(xué)學(xué)報(bào)(自然科學(xué)版);1988年01期

7 王宏健，，易柱新;主成分方法用于聚類分析[J];經(jīng)濟(jì)數(shù)學(xué);1996年01期

8 李汶華;城市綜合實(shí)力增長的比較[J];數(shù)理統(tǒng)計(jì)與管理;2000年01期

9 高長元,丁雪偉,綦良群;高新技術(shù)產(chǎn)品的主成分分析評(píng)價(jià)法[J];哈爾濱理工大學(xué)學(xué)報(bào);2000年01期

10 DelValls T A ,丁海燕;確定海洋沉積物中污染物來源的方法——多變量主成分分析方法[J];海洋地質(zhì)動(dòng)態(tài);2003年11期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 么彩蓮;魏寧;;關(guān)于主成分分析的改進(jìn)方法探討[A];中國現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第12屆學(xué)術(shù)年會(huì)論文集[C];2005年

2 陳明星;繆柏其;靳韜;;利率影響因素的主成分分析與因子分析[A];中國現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第12屆學(xué)術(shù)年會(huì)論文集[C];2005年

3 孫曉東;胡勁松;焦s

本文編號(hào)：1000739