本文關鍵詞：深度極限學習機的研究與應用，，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來,深度學習已經成為機器學習領域的一項新興研究,其多隱含層的神經網絡架構有助于深度神經網絡進行逐層的特征抽取以形成數據的高階表示;貪婪的逐層無監(jiān)督訓練可以作為有監(jiān)督參數微調過程的初始化設置,解決大數據時代訓練標簽難以獲取的難題。但是,深度神經網絡的有監(jiān)督訓練多采用基于梯度的優(yōu)化準則,在該學習框架中,所有的隱含層參數需要迭代訓練,因此,深度結構難以以快速的學習速率實現良好的泛化性能。針對基于梯度類學習算法訓練速度慢、泛化性能差等缺點,黃廣斌等人提出了一種簡便、高效的訓練策略——極限學習機(ELM)。在該策略中,單隱層前饋神經網絡根據某種概率分布隨機選取隱含層輸出,避免了參數的迭代微調;鑒于其學習速率快、泛化性能好、不易陷入局部最優(yōu),ELM被廣泛應用于各種分類和回歸問題。然而,ELM的單隱層結構制約了其捕捉高維度數據中有效特征的能力,因此難以適用于大數據時代日益膨脹的數據�；谝陨蟽煞N算法,黃廣斌等人提出一種深度多層極限學習機算法,多層的神經網絡結構使其可以提取出數據中高層次的抽象信息;ELM的理論避免了網絡權值的反復迭代調整,提高了計算效率;半監(jiān)督的逐層訓練機制解決了很多實際問題中訓練標簽難以獲取的問題。因此,深度多層極限學習機能同時有效地解決大數據時代高維度,大數據,獲取標記樣本難、構造特征難、訓練難等問題。針對深度極限學習機(DELM)算法,本文主要做了以下研究:(1)在機器人抓取識別任務中,針對RGB信息和Depth信息融合問題,本文采用多模態(tài)深度極限學習機(MM-DELM)作為多模態(tài)融合模型訓練方案,可以有效地學習并融合RGB模態(tài)和Depth模態(tài)中的原始像素信息,并在Cornell Grasping數據集上進行驗證。(2)通過實驗證明,MM-DELM訓練算法極大地改善了識別的準確率,并且遵循著類似ELM的收斂性,其性能在廣泛的參數取值空間內很穩(wěn)定,不同的參數選擇并不會造成模型性能大范圍的變動。因此,為本文的參數選擇提供了依據。(3)在時間序列預測任務中,本文將DELM算法應用于建立局部預測模型。該模型將混合歐式距離作為相似性度量方法,完成訓練樣本的重組,并采用DELM構建重組樣本的預測模型。(4)為了驗證DELM預測模型的準確性,選取時間序列數據庫(TSDL)的五個數據集作為實驗數據集,分別驗證了基于混合歐氏距離的DELM局部預測模型在單步預測和多步預測中的泛化性能。
【關鍵詞】：深度學習 深度極限學習機 機器抓取識別 多模態(tài)融合 時間序列預測
【學位授予單位】：太原理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP181
【目錄】：

• 摘要3-5
• ABSTRACT5-13
• 第1章 緒論13-19
• 1.1 課題研究背景及意義13-14
• 1.2 國內外研究現狀14-15
• 1.3 本文主要研究內容15-19
• 第2章 極限學習機19-27
• 2.1 引言19
• 2.2 人工神經網絡19-23
• 2.2.1 神經網絡的結構20-21
• 2.2.2 單隱含層前饋神經網絡21-23
• 2.3 極限學習機23-26
• 2.3.1 極限學習機理論24-25
• 2.3.2 極限學習機算法25-26
• 2.4 本章小結26-27
• 第3章 深度極限學習機27-35
• 3.1 引言27
• 3.2 深度神經網絡27-32
• 3.2.1 卷積神經網絡28-29
• 3.2.2 深度信念網絡29-31
• 3.2.3 自編碼器31-32
• 3.3 深度極限學習機32-34
• 3.4 本章小結34-35
• 第4章 基于深度極限學習機的多模態(tài)融合技術35-55
• 4.1 引言35-36
• 4.2 多模態(tài)深度學習36-40
• 4.2.1 同構數據36-37
• 4.2.2 異構數據37-40
• 4.3 機器抓取40-41
• 4.4 問題描述41-42
• 4.5 基于深度極限學習機的多模態(tài)融合算法42-47
• 4.6 實驗結果及分析47-53
• 4.6.1 Cornell grasping數據庫47-48
• 4.6.2 實驗結果48-51
• 4.6.3 參數靈敏度實驗51-53
• 4.7 本章小結53-55
• 第5章 基于深度極限學習機的時間序列預測55-69
• 5.1 引言55-56
• 5.2 時間序列預測56-57
• 5.3 問題描述57-58
• 5.4 時間序列預測模型58-61
• 5.4.1 訓練樣本提取59-60
• 5.4.2 DELM模型推導60-61
• 5.5 公開數據集介紹61
• 5.6 實驗結果及分析61-67
• 5.6.1 單步預測62-64
• 5.6.2 多步預測64-67
• 5.7 本章小結67-69
• 第6章 總結69-71
• 參考文獻71-75
• 致謝75-77
• 攻讀學位期間發(fā)表的學術論文目錄77

【相似文獻】

中國期刊全文數據庫 前10條

1 云中客;新的神經網絡來自于仿生學[J];物理;2001年10期

2 唐春明,高協(xié)平;進化神經網絡的研究進展[J];系統(tǒng)工程與電子技術;2001年10期

3 李智;一種基于神經網絡的煤炭調運優(yōu)化方法[J];長沙鐵道學院學報;2003年02期

4 程科,王士同,楊靜宇;新型模糊形態(tài)神經網絡及其應用研究[J];計算機工程與應用;2004年21期

5 王凡,孟立凡;關于使用神經網絡推定操作者疲勞的研究[J];人類工效學;2004年03期

6 周麗暉;從統(tǒng)計角度看神經網絡[J];統(tǒng)計教育;2005年06期

7 趙奇 ,劉開第 ,龐彥軍;灰色補償神經網絡及其應用研究[J];微計算機信息;2005年14期

8 袁婷;;神經網絡在股票市場預測中的應用[J];軟件導刊;2006年05期

9 尚晉;楊有;;從神經網絡的過去談科學發(fā)展觀[J];重慶三峽學院學報;2006年03期

10 楊鐘瑾;;神經網絡的過去、現在和將來[J];青年探索;2006年04期

中國重要會議論文全文數據庫 前10條

1 徐春玉;;基于泛集的神經網絡的混沌性[A];1996中國控制與決策學術年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經網絡[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經網絡和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

5 鐘義信;;知識論:神經網絡的新機遇——紀念中國神經網絡10周年[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

6 許進;保錚;;神經網絡與圖論[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數值預報產品的神經網絡釋用預報應用[A];1999年中國神經網絡與信號處理學術會議論文集[C];1999年

8 田金亭;;神經網絡在中學生創(chuàng)造力評估中的應用[A];第十二屆全國心理學學術大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經網絡的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經網絡的故障診斷方法研究[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

中國重要報紙全文數據庫 前10條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經網絡硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經網絡將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經網絡挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經網絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經網絡[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經網絡[N];健康時報;2006年

8 劉力;我半導體神經網絡技術及應用研究達國際先進水平[N];中國電子報;2001年

9 ;神經網絡和模糊邏輯[N];世界金屬導報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經網絡應用研究通過鑒定[N];中國船舶報;2006年

中國博士學位論文全文數據庫 前10條

1 楊旭華;神經網絡及其在控制中的應用研究[D];浙江大學;2004年

2 李素芳;基于神經網絡的無線通信算法研究[D];山東大學;2015年

3 石艷超;憶阻神經網絡的混沌性及幾類時滯神經網絡的同步研究[D];電子科技大學;2014年

4 王新迎;基于隨機映射神經網絡的多元時間序列預測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農業(yè)大學;2015年

6 李輝;基于粒計算的神經網絡及集成方法研究[D];中國礦業(yè)大學;2015年

7 王衛(wèi)蘋;復雜網絡幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學;2015年

8 曾U喺

本文編號：275971