針對深度置信網(wǎng)絡(luò)（DBN）權(quán)值隨機初始化容易使網(wǎng)絡(luò)陷入局部最優(yōu)的問題,引入改進的和聲搜索（IHS）算法,提出基于IHS的DBN模型（IHS-DBN）。在和聲搜索算法的基礎(chǔ)上,利用全局自適應(yīng)的和聲音調(diào)調(diào)整方式,提升算法收斂速度和后期局部搜索能力。將DBN重構(gòu)誤差函數(shù)作為IHS算法的優(yōu)化目標函數(shù),通過不斷迭代優(yōu)化解向量為DBN尋找一組較優(yōu)的初始權(quán)值進行網(wǎng)絡(luò)訓(xùn)練,并在MNIST數(shù)據(jù)集上驗證IHS-DBN模型的有效性。IHS-DBN模型在高校人才評價中的應(yīng)用結(jié)果表明,與DBN、SVM和BP神經(jīng)網(wǎng)絡(luò)評價模型相比,IHS-DBN模型的評價準確率分別提高3.6%、7.3%和16.4%。 

【文章頁數(shù)】：9 頁

【文章目錄】：
0 概述
1 基礎(chǔ)理論
    1.1 深度置信網(wǎng)絡(luò)
        1.1.1 受限玻爾茲曼機
        1.1.2 BP神經(jīng)網(wǎng)絡(luò)
    1.2 和聲搜索算法
2 基于IHS算法的深度置信網(wǎng)絡(luò)模型
    2.1 改進的和聲搜索算法
    2.2 IHS-DBN模型原理
    2.3 模型性能驗證
        2.3.1 實驗參數(shù)設(shè)置
        2.3.2 實驗結(jié)果
3 IHS-DBN在高校人才評價中的應(yīng)用
    3.1 指標體系構(gòu)建
    3.2 數(shù)據(jù)獲取與處理
    3.3 實驗結(jié)果與分析
        3.3.1 性能指標
        3.3.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置與分析
        3.3.3 結(jié)果分析
4 結(jié)束語


【參考文獻】：
期刊論文
[1]基于自適應(yīng)學(xué)習(xí)率的深度信念網(wǎng)設(shè)計與應(yīng)用[J]. 喬俊飛,王功明,李曉理,韓紅桂,柴偉.  自動化學(xué)報. 2017(08)
[2]基于HS-BP神經(jīng)網(wǎng)絡(luò)的認知無線電頻譜預(yù)測技術(shù)[J]. 胡翩翩,曾碧卿.  計算機工程. 2017(07)
[3]深度置信網(wǎng)絡(luò)在極化SAR圖像分類中的應(yīng)用[J]. 鄧磊,付姍姍,張儒俠.  中國圖象圖形學(xué)報. 2016(07)
[4]一種基于膠質(zhì)細胞鏈的改進深度信念網(wǎng)絡(luò)模型[J]. 耿志強,張怡康.  自動化學(xué)報. 2016(06)
[5]基于自適應(yīng)深度置信網(wǎng)絡(luò)的圖像分類方法[J]. 楊春德,張磊.  計算機工程與設(shè)計. 2015(10)
[6]基于深度學(xué)習(xí)的作曲家分類問題[J]. 胡振,傅昆,張長水.  計算機研究與發(fā)展. 2014(09)
[7]基于模糊神經(jīng)網(wǎng)絡(luò)的高層次創(chuàng)新型科技人才的評價[J]. 陳蘇超,薛曄.  太原理工大學(xué)學(xué)報. 2014(03)



本文編號：3724593