在這個信息高速發(fā)展的時代,數(shù)據(jù)繁冗復(fù)雜,如何充分地分析挖掘數(shù)據(jù),從中提取有效的潛在信息和關(guān)鍵特征,對數(shù)據(jù)進行表征學(xué)習(xí)成為機器學(xué)習(xí)領(lǐng)域中的研究重點之一。現(xiàn)有的表征學(xué)習(xí)算法大體可分為基于矩陣分解和基于神經(jīng)網(wǎng)絡(luò)兩種。近年來,隨著數(shù)據(jù)的多樣性、復(fù)雜性以及數(shù)據(jù)量的增大,基于矩陣分解的方法在表征學(xué)習(xí)問題上對效果的提升已經(jīng)有了明顯的制約,研究者們多數(shù)轉(zhuǎn)向基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)進一步進行研究。目前,大多數(shù)的深度學(xué)習(xí)算法,如深度信念網(wǎng)絡(luò)（DBN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、遞歸神經(jīng)網(wǎng)絡(luò)（RNN）,采用迭代更新參數(shù)的方法進行訓(xùn)練,存在參數(shù)較多、模型復(fù)雜、訓(xùn)練效率低等問題。極限學(xué)習(xí)機（ELM）具有訓(xùn)練參數(shù)少、學(xué)習(xí)速度快、泛化能力強等特點,鑒于其高效性,近幾年研究人員致力于研究如何將ELM拓展到深度學(xué)習(xí)框架中,以解決深度學(xué)習(xí)的訓(xùn)練耗時、計算復(fù)雜的問題。針對現(xiàn)有基于ELM的深度學(xué)習(xí)算法存在的未充分考慮全局結(jié)構(gòu)信息的不足,本文首先結(jié)合圖嵌入框架提出一種新的極限學(xué)習(xí)機自編碼器（GDELM-AE）,在ELM空間中挖掘數(shù)據(jù)的局部近鄰結(jié)構(gòu)信息和全局結(jié)構(gòu)信息。在GDELM-AE中,采用局部Fisher判別分析構(gòu)建了圖嵌入框架... 

【文章來源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 表征學(xué)習(xí)的發(fā)展及研究現(xiàn)狀
        1.2.1 基于矩陣分解的表征學(xué)習(xí)算法
        1.2.2 基于神經(jīng)網(wǎng)絡(luò)的表征學(xué)習(xí)
    1.3 極限學(xué)習(xí)機的發(fā)展及研究現(xiàn)狀
    1.4 本文研究內(nèi)容及結(jié)構(gòu)
2 極限學(xué)習(xí)機的基礎(chǔ)知識
    2.1 極限學(xué)習(xí)機
    2.2 極限學(xué)習(xí)機自編碼器
    2.3 多層極限學(xué)習(xí)機
    2.4 本章小結(jié)
3 堆疊圖嵌入去噪極限學(xué)習(xí)機模型
    3.1 關(guān)鍵技術(shù)
        3.1.1 去噪自編碼器
        3.1.2 圖嵌入
    3.2 圖嵌入去噪極限學(xué)習(xí)機自編碼器
    3.3 堆疊圖嵌入去噪極限學(xué)習(xí)機
    3.4 實驗結(jié)果與分析
        3.4.1 實驗數(shù)據(jù)及環(huán)境
        3.4.2 實驗建立及結(jié)果分析
    3.5 本章小結(jié)
4 基于AdaBoost集成極限學(xué)習(xí)機的多粒度級聯(lián)模型
    4.1 關(guān)鍵技術(shù)
        4.1.1 AdaBoost算法
        4.1.2 加權(quán)極限學(xué)習(xí)機
    4.2 基于AdaBoost的加權(quán)極限學(xué)習(xí)機集成算法
    4.3 基于AdaBoost集成極限學(xué)習(xí)機的多粒度級聯(lián)模型
    4.4 實驗結(jié)果與分析
        4.4.1 實驗設(shè)置
        4.4.2 實驗結(jié)果
    4.5 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝


【參考文獻】：
期刊論文
[1]一種改進的基于NMF的人臉識別方法[J]. 林慶,李佳,雍建平,廖定安.  計算機科學(xué). 2012(05)



本文編號：3164050