發(fā)布時間：2017-10-20 11:59

  本文關(guān)鍵詞：基于自動編碼器組合的深度學習優(yōu)化方法

  更多相關(guān)文章： 深度學習 自動編碼器 稀疏自動編碼器 降噪自動編碼器 卷積神經(jīng)網(wǎng)絡(luò)

【摘要】：為了提高自動編碼器算法的學習精度,更進一步降低分類任務(wù)的分類錯誤率,提出一種組合稀疏自動編碼器(SAE)和邊緣降噪自動編碼器(m DAE)從而形成稀疏邊緣降噪自動編碼器(Sm DAE)的方法,將稀疏自動編碼器和邊緣降噪自動編碼器的限制條件加載到一個自動編碼器(AE)之上,使得這個自動編碼器同時具有稀疏自動編碼器的稀疏性約束條件和邊緣降噪自動編碼器的邊緣降噪約束條件,提高自動編碼器算法的學習能力。實驗表明,稀疏邊緣降噪自動編碼器在多個分類任務(wù)上的學習精度都高于稀疏自動編碼器和邊緣降噪自動編碼器的分類效果;與卷積神經(jīng)網(wǎng)絡(luò)(CNN)的對比實驗也表明融入了邊緣降噪限制條件,而且更加魯棒的Sm DAE模型的分類精度比CNN還要好。
【作者單位】： 武漢科技大學計算機科學與技術(shù)學院;智能信息處理與實時工業(yè)系統(tǒng)湖北省重點實驗室;
【關(guān)鍵詞】： 深度學習 自動編碼器 稀疏自動編碼器 降噪自動編碼器 卷積神經(jīng)網(wǎng)絡(luò)
【基金】：國家自然科學基金資助項目(61273225) 國家科技支撐計劃項目(2012BAC22B01)~~
【分類號】：TP183
【正文快照】： 0引言自動編碼器(Auto-Encoder,AE)[1-2]是Rumelhart在1986年提出來的,其主要目的是對于一個給定的數(shù)據(jù)集學習壓縮的、分布式的特征表達。自動編碼器是一個典型的三層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò),輸入層和隱藏層之間是一個編碼的過程,隱藏層和輸出層之間是一個解碼的過程,通過對輸入數(shù)據(jù)進

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 曲建嶺;杜辰飛;邸亞洲;高峰;郭超然;;深度自動編碼器的研究與展望[J];計算機與現(xiàn)代化;2014年08期

2 秦勝君;盧志平;;基于降噪自動編碼器的不平衡情感分類研究[J];科學技術(shù)與工程;2014年12期

3 段寶彬;韓立新;;改進的深度卷積網(wǎng)絡(luò)及在碎紙片拼接中的應(yīng)用[J];計算機工程與應(yīng)用;2014年09期

4 ;[J];;年期

中國碩士學位論文全文數(shù)據(jù)庫 前7條

1 梁湘群;基于Gabor特征與深度自動編碼器的笑臉識別方法[D];五邑大學;2015年

2 吳海燕;基于自動編碼器的半監(jiān)督表示學習與分類學習研究[D];重慶大學;2015年

3 林雨;極限學習機與自動編碼器的融合算法研究[D];吉林大學;2016年

4 龐榮;深度神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[D];西南交通大學;2016年

5 李娟;基于深度學習的評價對象抽取[D];東南大學;2016年

6 尹曉燕;基于深度學習的人臉識別研究[D];天津大學;2014年

7 雒玉璽;稀疏自動編碼器及其加速算法的研究[D];蘭州大學;2014年

，

本文編號：1067000