基于深度自編碼的局部增強網絡表示學習研究及應用
發(fā)布時間：2021-06-11 10:03
社交網絡是信息的一種載體,不僅節(jié)點的鏈接關系中蘊藏著豐富的信息,而且節(jié)點本身也具有多樣的信息。因此,對社交網絡進行數據挖掘具有重要意義。隨著互聯網的普及,社交網絡的節(jié)點個數逐漸增多,網絡結構也變的越發(fā)復雜,給現有的網絡挖掘技術帶來了前所未有的挑戰(zhàn)。如何將稀疏且高維的網絡數據,映射為稠密而低維的特征向量成為解決問題的關鍵,因此網絡表示學習模型一度成為研究熱點。網絡表示學習是指使用某種方法將稀疏、高維的原始輸入數據表示為稠密、低維的向量,同時保留網絡信息,發(fā)現數據內在規(guī)律。隨著深度學習技術的出現,出現了一些基于深度模型的表示學習模型,SDNE（Structural Deep Network Embedding）模型是其中一種基于深度自編碼的網絡表示學習模型。SDNE模型使用一階和二階近鄰關系保持網絡結構,采用深度自編碼學習網絡結構信息的低維特征向量。但它只利用了網絡的結構信息,忽略了網絡節(jié)點自身具有的屬性信息,同時沒有充分利用網絡中的成對約束信息。針對上述問題,采用的改進方法為:在SDNE模型的基礎上,融入了網絡屬性信息,利用深度自編碼器學習融合網絡結構和屬性信息的特征表示,同時充分利用網...
【文章來源】：河北地質大學河北省
【文章頁數】：71 頁
【學位級別】：碩士
【部分圖文】：
神經元結構
河北地質大學碩士學位論文9第二章相關知識介紹本章將對深度自編碼器及其基礎模型進行介紹，同時闡述了網絡表示學習及相關模型基于深度自編碼器的網絡表示學習等相關知識。2.1深度自編碼器2.1.1人工神經網絡人工神經網絡又稱神經網絡，是按照生物神經網絡的結構和工作原理構建的一種模型。該模型的基本結構是神經元，神經元結構如圖2.1所示：圖2.1神經元結構神經元模型包括多個輸入(321,,xxx)，這些輸入分別于各自的權值(321,,www)相乘,神經元接收到的總輸入(321xxx)與其閾值進行相減，然后作為激活函數(Sigmoid函數)的輸入，利用激活函數進行計算得到最終的輸出(y)，即：)(31iiixwfy(2.1)20世紀60年代，計算科學家Rosenblatt創(chuàng)造性的建造了單層神經網絡模型，即由兩層神經元組成的“感知器(Perceptron)”模型。感知機模型如圖2.2所示:圖2.2感知機模型
基于深度自編碼的局部增強網絡表示學習研究及應用10感知機模型包含兩層，分別是輸入層和輸出層。輸入層里的神經元只負責接收數據，不做任何計算。輸出層的神經元需要對輸入層輸入的數據利用激活函數進行計算，利用感知機能解決‘與’‘或’‘非’這類的線性分類問題，但不能夠解決‘異或’這類非線性分類問題[54]。2.1.2兩層及多層神經網絡兩層神經網絡的提出解決了非線性分類問題，兩層神經網絡模型如圖2.3所示：圖2.3兩層神經網絡模型兩層神經網絡模型可分為三層，即輸入層，隱藏層，輸出層。每層神經元只與下一層神經元以全相連的方式連接。同層神經元之間互不連接，跨層神經元之間也互不連接。其中輸入層神經元只負責接收數據，不做任何計算。隱藏層和輸出層對數據進行計算。增加一個隱層得到的兩層神經網絡可以解決非線性分類問題。更一般的，常見的神經網絡如圖2.4所示，該模型也稱為單隱層前饋神經網絡。圖2.4單隱層前饋神經網絡單隱層前饋神經網絡的“前辣指的是網絡鏈接結構中不存在環(huán)或回路。單隱層前饋神經網絡模型要求輸入層和輸出層神經元個數相同，而對隱藏層神經元個數無任何要求。并且該模型具有更好的非線性分類效果。顧名思義，多層前饋神經網絡指的是具有多個隱層的前饋神經網絡。圖2.5是一種代表性的多層前饋神經網絡模型。
【參考文獻】：
期刊論文
[1]集成相空間重構與稀疏自編碼的振動信號分解方法[J]. 杜燦誼,林祖勝,喻菲菲,張紹輝. 機械設計與制造. 2019(08)
[2]基于棧式稀疏自編碼多特征融合的快速手勢識別方法[J]. 強彥,董林佳,趙涓涓,張婷. 北京理工大學學報. 2019(06)
[3]網絡表示學習算法的分析與驗證[J]. 王巖,唐杰. 中文信息學報. 2019(02)
[4]一種基于深度學習的混合推薦算法[J]. 曾旭禹,楊燕,王淑營,何太軍,陳劍波. 計算機科學. 2019(01)
[5]基于卷積稀疏自編碼的圖像超分辨率重建[J]. 張秀,周巍,段哲民,魏恒璐. 紅外與激光工程. 2019(01)
[6]保持Motif結構的網絡表示學習[J]. 許磊,黃玲,王昌棟. 計算機科學與探索. 2019(08)
[7]一種融合節(jié)點文本屬性信息的網絡表示學習算法[J]. 劉正銘,馬宏,劉樹新,楊奕卓,李星. 計算機工程. 2018(11)
[8]基于深度收縮自編碼網絡的飛行員疲勞狀態(tài)識別[J]. 韓霜,吳奇,孫禮兵,裘旭益,任和,盧釗. 生物醫(yī)學工程學雜志. 2018(03)
[9]基于降噪自編碼的電能質量擾動識別[J]. 肖露欣,李增祥,馬建,陳克緒,吳建華. 南昌大學學報(理科版). 2017(06)
[10]一種融合節(jié)點先驗信息的圖表示學習方法[J]. 溫雯,黃家明,蔡瑞初,郝志峰,王麗娟. 軟件學報. 2018(03)
博士論文
[1]屬性網絡的半監(jiān)督學習方法研究[D]. 王紹凱.哈爾濱工業(yè)大學 2018
碩士論文
[1]基于深度自編碼的多癌癥分子分型建模與分析[D]. 余淼.華中科技大學 2016
[2]神經網絡控制的FPGA研究與應用[D]. 韓少鋒.大連海事大學 2005
本文編號：3224321
【文章來源】：河北地質大學河北省
【文章頁數】：71 頁
【學位級別】：碩士
【部分圖文】：
神經元結構
河北地質大學碩士學位論文9第二章相關知識介紹本章將對深度自編碼器及其基礎模型進行介紹，同時闡述了網絡表示學習及相關模型基于深度自編碼器的網絡表示學習等相關知識。2.1深度自編碼器2.1.1人工神經網絡人工神經網絡又稱神經網絡，是按照生物神經網絡的結構和工作原理構建的一種模型。該模型的基本結構是神經元，神經元結構如圖2.1所示：圖2.1神經元結構神經元模型包括多個輸入(321,,xxx)，這些輸入分別于各自的權值(321,,www)相乘,神經元接收到的總輸入(321xxx)與其閾值進行相減，然后作為激活函數(Sigmoid函數)的輸入，利用激活函數進行計算得到最終的輸出(y)，即：)(31iiixwfy(2.1)20世紀60年代，計算科學家Rosenblatt創(chuàng)造性的建造了單層神經網絡模型，即由兩層神經元組成的“感知器(Perceptron)”模型。感知機模型如圖2.2所示:圖2.2感知機模型
基于深度自編碼的局部增強網絡表示學習研究及應用10感知機模型包含兩層，分別是輸入層和輸出層。輸入層里的神經元只負責接收數據，不做任何計算。輸出層的神經元需要對輸入層輸入的數據利用激活函數進行計算，利用感知機能解決‘與’‘或’‘非’這類的線性分類問題，但不能夠解決‘異或’這類非線性分類問題[54]。2.1.2兩層及多層神經網絡兩層神經網絡的提出解決了非線性分類問題，兩層神經網絡模型如圖2.3所示：圖2.3兩層神經網絡模型兩層神經網絡模型可分為三層，即輸入層，隱藏層，輸出層。每層神經元只與下一層神經元以全相連的方式連接。同層神經元之間互不連接，跨層神經元之間也互不連接。其中輸入層神經元只負責接收數據，不做任何計算。隱藏層和輸出層對數據進行計算。增加一個隱層得到的兩層神經網絡可以解決非線性分類問題。更一般的，常見的神經網絡如圖2.4所示，該模型也稱為單隱層前饋神經網絡。圖2.4單隱層前饋神經網絡單隱層前饋神經網絡的“前辣指的是網絡鏈接結構中不存在環(huán)或回路。單隱層前饋神經網絡模型要求輸入層和輸出層神經元個數相同，而對隱藏層神經元個數無任何要求。并且該模型具有更好的非線性分類效果。顧名思義，多層前饋神經網絡指的是具有多個隱層的前饋神經網絡。圖2.5是一種代表性的多層前饋神經網絡模型。
【參考文獻】：
期刊論文
[1]集成相空間重構與稀疏自編碼的振動信號分解方法[J]. 杜燦誼,林祖勝,喻菲菲,張紹輝. 機械設計與制造. 2019(08)
[2]基于棧式稀疏自編碼多特征融合的快速手勢識別方法[J]. 強彥,董林佳,趙涓涓,張婷. 北京理工大學學報. 2019(06)
[3]網絡表示學習算法的分析與驗證[J]. 王巖,唐杰. 中文信息學報. 2019(02)
[4]一種基于深度學習的混合推薦算法[J]. 曾旭禹,楊燕,王淑營,何太軍,陳劍波. 計算機科學. 2019(01)
[5]基于卷積稀疏自編碼的圖像超分辨率重建[J]. 張秀,周巍,段哲民,魏恒璐. 紅外與激光工程. 2019(01)
[6]保持Motif結構的網絡表示學習[J]. 許磊,黃玲,王昌棟. 計算機科學與探索. 2019(08)
[7]一種融合節(jié)點文本屬性信息的網絡表示學習算法[J]. 劉正銘,馬宏,劉樹新,楊奕卓,李星. 計算機工程. 2018(11)
[8]基于深度收縮自編碼網絡的飛行員疲勞狀態(tài)識別[J]. 韓霜,吳奇,孫禮兵,裘旭益,任和,盧釗. 生物醫(yī)學工程學雜志. 2018(03)
[9]基于降噪自編碼的電能質量擾動識別[J]. 肖露欣,李增祥,馬建,陳克緒,吳建華. 南昌大學學報(理科版). 2017(06)
[10]一種融合節(jié)點先驗信息的圖表示學習方法[J]. 溫雯,黃家明,蔡瑞初,郝志峰,王麗娟. 軟件學報. 2018(03)
博士論文
[1]屬性網絡的半監(jiān)督學習方法研究[D]. 王紹凱.哈爾濱工業(yè)大學 2018
碩士論文
[1]基于深度自編碼的多癌癥分子分型建模與分析[D]. 余淼.華中科技大學 2016
[2]神經網絡控制的FPGA研究與應用[D]. 韓少鋒.大連海事大學 2005
本文編號：3224321
本文鏈接：http://sikaile.net/kejilunwen/ruanjiangongchenglunwen/3224321.html
