發(fā)布時(shí)間：2020-11-05 22:30

　　 深度學(xué)習(xí)(Deep learning,DL)本質(zhì)上是指一類(lèi)對(duì)具有深層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的方法,是一種模擬腦神經(jīng)系統(tǒng)對(duì)感知信號(hào)進(jìn)行分層處理的深層結(jié)構(gòu)。深度信念網(wǎng)絡(luò)(Deep Belief Network,DBN)是為了簡(jiǎn)化邏輯斯蒂信念網(wǎng)絡(luò)的推理困難而提出的一種深度模型,也是目前DL最主要的實(shí)現(xiàn)方式之一。DBN由若干個(gè)受限玻爾茲曼機(jī)(Restricted Boltzmann Machine,RBM)順序堆疊來(lái)構(gòu)造,其學(xué)習(xí)過(guò)程分為兩個(gè)階段,首先對(duì)RBM進(jìn)行逐層無(wú)監(jiān)督預(yù)訓(xùn)練,再用反向傳播算法對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行有監(jiān)督的調(diào)優(yōu)。DBN的這種分階段訓(xùn)練方法使其在學(xué)習(xí)深層結(jié)構(gòu)上取得了一定的成功,并在圖像處理、聲音辨識(shí)、自然語(yǔ)義理解及回歸和預(yù)測(cè)等任務(wù)中得到了關(guān)注和研究。然而,目前的DBN在處理實(shí)際復(fù)雜數(shù)據(jù)時(shí),無(wú)監(jiān)督預(yù)訓(xùn)練和反向傳播(Back Propagation,BP)調(diào)優(yōu)算法均顯現(xiàn)出了不足,主要表現(xiàn)在預(yù)訓(xùn)練耗時(shí)長(zhǎng)和調(diào)優(yōu)精度低;另一方面,目前的DBN多數(shù)是通過(guò)足夠的經(jīng)驗(yàn)和充足的數(shù)據(jù)確定其結(jié)構(gòu),且在訓(xùn)練過(guò)程中結(jié)構(gòu)將不再調(diào)整。在實(shí)際過(guò)程中,DBN只是通過(guò)改變權(quán)值參數(shù)來(lái)適應(yīng)任務(wù)的變化,但如何構(gòu)造一種DBN使其結(jié)構(gòu)在動(dòng)態(tài)調(diào)整的同時(shí)不斷調(diào)整權(quán)值參數(shù),是DBN發(fā)展的趨勢(shì),也是一個(gè)開(kāi)放且尚未解決的問(wèn)題。研究DBN結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法,是為了克服DBN預(yù)訓(xùn)練耗時(shí)長(zhǎng)和調(diào)優(yōu)精度低兩個(gè)缺陷的同時(shí)獲得DBN結(jié)構(gòu)動(dòng)態(tài)調(diào)整的有效方法。根據(jù)設(shè)計(jì)要求可知,DBN動(dòng)態(tài)結(jié)構(gòu)的訓(xùn)練分為兩個(gè)階段且結(jié)構(gòu)在訓(xùn)練過(guò)程中實(shí)時(shí)調(diào)整,因此現(xiàn)有的固定結(jié)構(gòu)學(xué)習(xí)算法難以適應(yīng)其訓(xùn)練要求。為了解決DBN結(jié)構(gòu)優(yōu)化設(shè)計(jì)過(guò)程中的問(wèn)題,本文在深入分析現(xiàn)有DBN研究成果的基礎(chǔ)之上,設(shè)計(jì)了預(yù)訓(xùn)練階段的自適應(yīng)學(xué)習(xí)率;建立了基于偏最小二乘回歸(Partial Least Square Regression,PLSR)的新型DBN有監(jiān)督調(diào)優(yōu)模型和稀疏表述方法;研究了包括增量式結(jié)構(gòu)和增長(zhǎng)—?jiǎng)h減機(jī)制在內(nèi)的一系列結(jié)構(gòu)自調(diào)整策略;獲得了結(jié)構(gòu)動(dòng)態(tài)調(diào)整過(guò)程中DBN權(quán)值參數(shù)的學(xué)習(xí)算法,并且對(duì)結(jié)構(gòu)調(diào)整過(guò)程中的算法收斂性進(jìn)行了深入的分析。同時(shí),探索性地將DBN與強(qiáng)化學(xué)習(xí)(Reinforcement learning,DL)、生成式對(duì)抗網(wǎng)絡(luò)(Generative adversarial network,GAN)以及模型預(yù)測(cè)控制(Model predictive control,MPC)結(jié)合起來(lái),建立了高效的學(xué)習(xí)和優(yōu)化控制模型。論文主要工作和創(chuàng)新點(diǎn)如下:(1)無(wú)監(jiān)督學(xué)習(xí)改進(jìn)型研究針對(duì)DBN無(wú)監(jiān)督特征學(xué)習(xí)耗時(shí)長(zhǎng)的問(wèn)題,設(shè)計(jì)了自適應(yīng)學(xué)習(xí)率算法,旨在提高無(wú)監(jiān)督預(yù)訓(xùn)練的學(xué)習(xí)速度和特征提取效率。由于無(wú)監(jiān)督預(yù)訓(xùn)練過(guò)程中特征提取與原始數(shù)據(jù)重構(gòu)交替進(jìn)行是一個(gè)復(fù)雜度較高的計(jì)算過(guò)程,現(xiàn)有基于固定學(xué)習(xí)率的對(duì)比散度(Contrastive Divergence,CD)參數(shù)調(diào)整算法削弱了無(wú)監(jiān)督預(yù)訓(xùn)練的速度。文中提出一種學(xué)習(xí)率自適應(yīng)調(diào)整機(jī)制,根據(jù)CD算法中參數(shù)每?jī)纱蔚较虻漠愅瑏?lái)動(dòng)態(tài)降低或增大學(xué)習(xí)率,不僅能夠提高學(xué)習(xí)速度,還能避開(kāi)局部最優(yōu)問(wèn)題。實(shí)驗(yàn)結(jié)果證明了以上改進(jìn)型算法在提高學(xué)習(xí)速度和特征提取效率方面上的有效性。(2)深度信念網(wǎng)絡(luò)有監(jiān)督學(xué)習(xí)改進(jìn)型研究針對(duì)網(wǎng)絡(luò)輸出魯棒性能差和傳統(tǒng)有監(jiān)督學(xué)習(xí)精度低問(wèn)題,文中提出一種基于PLSR逐層調(diào)優(yōu)的自適應(yīng)稀疏表述DBN(AS-PLSR-DBN),旨在提高DBN的魯棒性和調(diào)優(yōu)精度。首先,設(shè)計(jì)自適應(yīng)學(xué)習(xí)率來(lái)加速RBM的訓(xùn)練過(guò)程,引入兩個(gè)正則化項(xiàng)來(lái)實(shí)現(xiàn)稀疏表述(AS-RBM)。其次,以最后一個(gè)隱含層提取到的特征為自變量,以輸出層的期望輸出為因變量,建立PLSR模型,并以同樣的方法自上而下每?jī)蓪咏⒁粋�(gè)PLSR模型。第三,給出了收斂性分析。最后利用AS-PLSRDBN對(duì)Mackey-Glass時(shí)間序列預(yù)測(cè)、二維函數(shù)逼近以及復(fù)雜系統(tǒng)識(shí)別,結(jié)果證明了AS-PLSR-DBN具有較高的學(xué)習(xí)精度和速度,同時(shí)具有較強(qiáng)的魯棒性。(3)自組織深度信念網(wǎng)絡(luò)盡管DBN已經(jīng)取得了諸多應(yīng)用上的成功,但目前其結(jié)構(gòu)大多數(shù)是利用人工經(jīng)驗(yàn)確定且在訓(xùn)練過(guò)程不再調(diào)整。這種類(lèi)似超參數(shù)賦值的固定結(jié)構(gòu)無(wú)法滿(mǎn)足數(shù)據(jù)多樣性的任務(wù)要求,也無(wú)法實(shí)現(xiàn)DBN的高效學(xué)習(xí)。針對(duì)DBN的結(jié)構(gòu)設(shè)計(jì)問(wèn)題,提出一種基于隱含層神經(jīng)元激活強(qiáng)度和誤差下降率的結(jié)構(gòu)增長(zhǎng)—?jiǎng)h減設(shè)計(jì)方法。通過(guò)分析隱含層神經(jīng)元在學(xué)習(xí)過(guò)程中的激活強(qiáng)度,刪除激活強(qiáng)度小的神經(jīng)元,將激活強(qiáng)度大的神經(jīng)元進(jìn)行分裂。同時(shí),將網(wǎng)絡(luò)輸出的誤差下降率作為隱含層增減的標(biāo)準(zhǔn),誤差下降率如若遞增則增加隱含層,誤差下降率首次出現(xiàn)遞減則減少隱含層。通過(guò)對(duì)非線性系統(tǒng)建模、污水處理過(guò)程出水總磷濃度預(yù)測(cè)以及大氣污染物濃度預(yù)測(cè)證明了該方法的有效性。(4)基于遷移學(xué)習(xí)的增量式深度信念網(wǎng)絡(luò)針對(duì)自組織結(jié)構(gòu)中反復(fù)權(quán)值初始化導(dǎo)致的訓(xùn)練耗時(shí)問(wèn)題,提出一種基于遷移學(xué)習(xí)策略的結(jié)構(gòu)增量式DBN設(shè)計(jì)方法。首先,初始化一個(gè)結(jié)構(gòu)簡(jiǎn)單的DBN并對(duì)其進(jìn)行學(xué)習(xí)預(yù)訓(xùn)練,預(yù)訓(xùn)練結(jié)束后固定學(xué)習(xí)到的權(quán)值參數(shù)(知識(shí)源域)。其次,在初始化DBN的基礎(chǔ)上定量增加神經(jīng)元和隱含層(目標(biāo)域),并設(shè)計(jì)一種有效的遷移學(xué)習(xí)策略將知識(shí)源域中的知識(shí)轉(zhuǎn)移到目標(biāo)域中,從而實(shí)現(xiàn)對(duì)目標(biāo)域快速有效的預(yù)訓(xùn)練并不斷增加結(jié)構(gòu)規(guī)模。最后,根據(jù)輸出性能的誤差指標(biāo)設(shè)計(jì)一個(gè)結(jié)構(gòu)增長(zhǎng)的停止準(zhǔn)則,結(jié)構(gòu)一旦停止增長(zhǎng)將固定不變,并進(jìn)入有監(jiān)督訓(xùn)練階段。利用增量式DBN對(duì)CATS缺失時(shí)間序列預(yù)測(cè)和污水處理過(guò)程出水總磷濃度預(yù)測(cè),結(jié)果證明了基于遷移學(xué)習(xí)的增量式深度信念網(wǎng)絡(luò)具有較好的結(jié)構(gòu)自調(diào)整能力和復(fù)雜非線性系統(tǒng)逼近能力。(5)深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)通過(guò)分析可知,實(shí)現(xiàn)知識(shí)增殖需要強(qiáng)有力的特征感知方法,而實(shí)現(xiàn)關(guān)鍵特征識(shí)別則需要快速有效的決策方法。深度學(xué)習(xí)能夠利用其強(qiáng)大的無(wú)監(jiān)督特征提取能力快速的獲取數(shù)據(jù)的先驗(yàn)知識(shí),強(qiáng)化學(xué)習(xí)則能以試錯(cuò)的機(jī)制與環(huán)境進(jìn)行交互,通過(guò)最大化累積獎(jiǎng)賞的方式來(lái)學(xué)習(xí)到最優(yōu)決策方法。針對(duì)手寫(xiě)數(shù)字標(biāo)準(zhǔn)對(duì)象MNIST數(shù)據(jù)庫(kù)的識(shí)別精度低的問(wèn)題,提出一種將深度學(xué)習(xí)與Q學(xué)習(xí)算法相結(jié)合的新型判別網(wǎng)絡(luò)(Q-ADBN)。首先,利用自適應(yīng)深度自編碼器(ADAE)對(duì)原始信號(hào)進(jìn)行抽象特征提取,Q學(xué)習(xí)算法將ADAE對(duì)原始信號(hào)的編碼特征作為當(dāng)前狀態(tài)。然后,對(duì)當(dāng)前狀態(tài)進(jìn)行分類(lèi)識(shí)別得到一個(gè)獎(jiǎng)勵(lì)值,并將獎(jiǎng)勵(lì)值返回給Q學(xué)習(xí)算法以便進(jìn)行迭代更新。對(duì)MNIST數(shù)據(jù)庫(kù)的實(shí)驗(yàn)結(jié)果證明了Q-ADBN具有快速的學(xué)習(xí)能力和較高的識(shí)別精度。(6)基于能量函數(shù)的生成式對(duì)抗性深度信念網(wǎng)絡(luò)生成式對(duì)抗網(wǎng)絡(luò)是目前人工智能領(lǐng)域的一個(gè)研究熱點(diǎn),引起了眾多學(xué)者的關(guān)注。針對(duì)現(xiàn)有生成式對(duì)抗網(wǎng)絡(luò)生成模型效率低下和判別模型的梯度消失問(wèn)題,提出一種基于重構(gòu)誤差的能量函數(shù)意義下的生成式對(duì)抗網(wǎng)絡(luò)模型(RE-GADBN)。首先,將自適應(yīng)DBN作為生成模型,來(lái)快速學(xué)習(xí)給定樣本數(shù)據(jù)的概率分布并進(jìn)一步生成相似的樣本數(shù)據(jù)。其次,將自適應(yīng)深度自編碼器的重構(gòu)誤差作為一個(gè)表征判別模型性能的能量函數(shù),能量越小表示生成式對(duì)抗網(wǎng)絡(luò)學(xué)習(xí)優(yōu)化過(guò)程越趨近納什均衡的平衡點(diǎn),否則反之。在MNIST和CIFAR-10兩個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,相較于現(xiàn)有的類(lèi)似模型,RE-GADBN在學(xué)習(xí)速度和數(shù)據(jù)生成能力兩方面均有較大提高。(7)基于深度信念網(wǎng)絡(luò)的模型預(yù)測(cè)控制方法在研究一系列DBN結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法的同時(shí),注意到變結(jié)構(gòu)DBN具有較強(qiáng)的復(fù)雜系統(tǒng)建模能力。模型預(yù)測(cè)控制是一種適用于過(guò)程控制的滾動(dòng)優(yōu)化控制方法,其核心是建立一個(gè)能夠以較高精度逼近被控對(duì)象的預(yù)測(cè)模型�；诖�,探索性的將變結(jié)構(gòu)DBN作為預(yù)測(cè)模型,研究變結(jié)構(gòu)DBN與控制策略滾動(dòng)優(yōu)化的閉環(huán)系統(tǒng)動(dòng)力學(xué)特性。首先,將變結(jié)構(gòu)DBN作為被控系統(tǒng)的預(yù)測(cè)模型,學(xué)習(xí)并預(yù)測(cè)被控系統(tǒng)的動(dòng)力學(xué)特性。其次,根據(jù)預(yù)測(cè)模型輸出與被控系統(tǒng)參考輸出之間的誤差以及被控系統(tǒng)控制輸入的變化量,建立二次優(yōu)化模型來(lái)求解控制律在每一時(shí)刻的最優(yōu)值。對(duì)非線性系統(tǒng)的跟蹤控制實(shí)驗(yàn)結(jié)果初步證明了所提方法的有效性。
【學(xué)位單位】：北京工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2019
【中圖分類(lèi)】：TP18
【部分圖文】：

所以該數(shù)據(jù)庫(kù)被視為一種理想的、標(biāo)準(zhǔn)的測(cè)試新方法的經(jīng)典對(duì)象。取 5000 個(gè)樣本用于訓(xùn)練，1000 個(gè)樣本用于測(cè)試。每張樣本圖像為 0-9 手寫(xiě)體的阿拉伯?dāng)?shù)字，像素為 28 28, 故可視層神經(jīng)元個(gè)數(shù)設(shè)定為 784 個(gè)，每個(gè)神經(jīng)元接收每張圖像中的一個(gè)像素點(diǎn)。5000 個(gè)樣本分為 50 批次進(jìn)行訓(xùn)練, 每批次包含 100 個(gè)樣本，每個(gè) RBM 迭代 50 次，故每層神經(jīng)元個(gè)數(shù)默認(rèn)為 100，學(xué)習(xí)率增大和減小系數(shù)的根據(jù)經(jīng)驗(yàn)取值為：A=1.5 和 B=0.5，網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為 784-100-100-784。實(shí)驗(yàn)中根據(jù) RBM 的分布, 進(jìn)行一次 Gibbs 采樣后所獲樣本與原數(shù)據(jù)的差異稱(chēng)為重構(gòu)誤差，重構(gòu)誤差變化曲線能直觀的反映出無(wú)監(jiān)督學(xué)習(xí)的效果和收斂速度，重構(gòu)誤差可表示為 0 1 1 1 s dij iji jv vREs d(2-33)其中，s為樣本個(gè)數(shù), d 為輸入維數(shù)， 1 ijv 為可視層神經(jīng)元的重構(gòu)狀態(tài)， 0 ijv 為真實(shí)值，仿真結(jié)果如圖 2-5、2-6、2-7 和 2-8 所示。

所以該數(shù)據(jù)庫(kù)被視為一種理想的、標(biāo)準(zhǔn)的測(cè)試新方法的經(jīng)典對(duì)象。取 5000 個(gè)樣本用于訓(xùn)練，1000 個(gè)樣本用于測(cè)試。每張樣本圖像為 0-9 手寫(xiě)體的阿拉伯?dāng)?shù)字，像素為 28 28, 故可視層神經(jīng)元個(gè)數(shù)設(shè)定為 784 個(gè)，每個(gè)神經(jīng)元接收每張圖像中的一個(gè)像素點(diǎn)。5000 個(gè)樣本分為 50 批次進(jìn)行訓(xùn)練, 每批次包含 100 個(gè)樣本，每個(gè) RBM 迭代 50 次，故每層神經(jīng)元個(gè)數(shù)默認(rèn)為 100，學(xué)習(xí)率增大和減小系數(shù)的根據(jù)經(jīng)驗(yàn)取值為：A=1.5 和 B=0.5，網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置為 784-100-100-784。實(shí)驗(yàn)中根據(jù) RBM 的分布, 進(jìn)行一次 Gibbs 采樣后所獲樣本與原數(shù)據(jù)的差異稱(chēng)為重構(gòu)誤差，重構(gòu)誤差變化曲線能直觀的反映出無(wú)監(jiān)督學(xué)習(xí)的效果和收斂速度，重構(gòu)誤差可表示為 0 1 1 1 s dij iji jv vREs d(2-33)其中，s為樣本個(gè)數(shù), d 為輸入維數(shù)， 1 ijv 為可視層神經(jīng)元的重構(gòu)狀態(tài)， 0 ijv 為真實(shí)值，仿真結(jié)果如圖 2-5、2-6、2-7 和 2-8 所示。

圖 2-7 錯(cuò)誤識(shí)別原圖像 圖 2-8 錯(cuò)誤識(shí)別圖像Fig. 2-7 Original images with classification mistakes Fig. 2-8 Images classification mistakes由圖 2-5 和 2-6 可以看出, 重構(gòu)誤差一開(kāi)始呈現(xiàn)急速下降趨勢(shì), 當(dāng)?shù)降?0 次時(shí)基本達(dá)到穩(wěn)定 (收斂), 由此可以看出自適應(yīng)學(xué)習(xí)率提高了算法的收斂速度；底層 RBM 的重構(gòu)誤差比頂層 RBM 的重構(gòu)誤差要大，這主要是因?yàn)樵陧樞蛴?xùn)練多個(gè) RBM 的過(guò)程中，越往頂層學(xué)習(xí)到的特征越抽象，是一種類(lèi)似稀疏表述的誤差低值遞減特性[69]。圖 2-7 和 2-8 顯示, 對(duì) 1000 個(gè)樣本進(jìn)行測(cè)試后產(chǎn)生了68 處錯(cuò)誤。為了更好地展現(xiàn) ALRDBN 的快速收斂性以及更高的識(shí)別精度，在相同的實(shí)驗(yàn)環(huán)境和設(shè)置下將 ALRDBN 與其他算法相比較，結(jié)果如表 2-1 所示。表 2-1 MNIST 手寫(xiě)數(shù)字實(shí)驗(yàn)結(jié)果對(duì)比Table 2-1 Result comparison of MNIST experiment方法 隱含層數(shù) 每層節(jié)點(diǎn)數(shù) 正確識(shí)別率93.1%運(yùn)算時(shí)間20.0sALRDBN2100
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉明明;李震霄;鄭麗麗;薛雪;;一種新的魯棒無(wú)監(jiān)督顯著性目標(biāo)檢測(cè)方法[J];中國(guó)科技論文;2019年12期

2 殷柏濤;一種改進(jìn)的無(wú)監(jiān)督競(jìng)爭(zhēng)學(xué)習(xí)算法[J];聲學(xué)與電子工程;1995年02期

3 徐峻嶺;周毓明;陳林;徐寶文;;基于互信息的無(wú)監(jiān)督特征選擇[J];計(jì)算機(jī)研究與發(fā)展;2012年02期

4 楊斌;劉衛(wèi)國(guó);;一種基于聚類(lèi)的無(wú)監(jiān)督異常檢測(cè)方法[J];計(jì)算機(jī)工程與應(yīng)用;2008年01期

5 陶美平;馬力;黃文靜;吳雨隆;;基于無(wú)監(jiān)督特征學(xué)習(xí)的手勢(shì)識(shí)別方法[J];微電子學(xué)與計(jì)算機(jī);2016年01期

6 梁春林;彭凌西;;基于免疫網(wǎng)絡(luò)的無(wú)監(jiān)督式分類(lèi)算法[J];山東大學(xué)學(xué)報(bào)(工學(xué)版);2010年05期

7 史殿習(xí);李勇謀;丁博;;無(wú)監(jiān)督特征學(xué)習(xí)的人體活動(dòng)識(shí)別[J];國(guó)防科技大學(xué)學(xué)報(bào);2015年05期

8 陳雁;萬(wàn)壽紅;岳麗華;龔育昌;;一種無(wú)需初始化的遙感圖像無(wú)監(jiān)督分割方法[J];小型微型計(jì)算機(jī)系統(tǒng);2010年10期

9 王瑞琴;孔繁勝;;無(wú)監(jiān)督詞義消歧研究[J];軟件學(xué)報(bào);2009年08期

10 吳姍;倪志偉;羅賀;鄭盈盈;;一種基于密度的無(wú)監(jiān)督聯(lián)系發(fā)現(xiàn)方法[J];中國(guó)管理科學(xué);2008年S1期

相關(guān)博士學(xué)位論文 前10條

1 王功明;深度信念網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化設(shè)計(jì)方法與應(yīng)用[D];北京工業(yè)大學(xué);2019年

2 陳虹潔;面向低資源場(chǎng)景的語(yǔ)音表示學(xué)習(xí)及其應(yīng)用[D];西北工業(yè)大學(xué);2018年

3 張志銳;面向神經(jīng)機(jī)器翻譯的數(shù)據(jù)增強(qiáng)方法及應(yīng)用[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

4 劉彥北;高維數(shù)據(jù)無(wú)監(jiān)督特征選擇算法研究[D];天津大學(xué);2017年

5 王寅同;無(wú)監(jiān)督與半監(jiān)督降維相關(guān)問(wèn)題研究[D];南京航空航天大學(xué);2016年

6 魏松;人機(jī)對(duì)話系統(tǒng)中若干關(guān)鍵問(wèn)題研究[D];北京郵電大學(xué);2007年

7 周楠;基于稀疏和信息論的無(wú)監(jiān)督特征學(xué)習(xí)算法研究[D];電子科技大學(xué);2017年

8 楊波;圖驅(qū)動(dòng)的無(wú)監(jiān)督降維和判別子空間學(xué)習(xí)研究及其應(yīng)用[D];南京航空航天大學(xué);2010年

9 宋鳳義;非控制條件下的人臉?lè)治雠c驗(yàn)證[D];南京航空航天大學(xué);2014年

10 馮小東;基于稀疏表示的高維數(shù)據(jù)無(wú)監(jiān)督挖掘研究[D];北京科技大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 梁潤(rùn)宇;基于主題情感混合模型的無(wú)監(jiān)督微博情感分類(lèi)[D];天津工業(yè)大學(xué);2019年

2 萬(wàn)家樂(lè);混合稀疏正則化的多視角無(wú)監(jiān)督特征選擇[D];天津大學(xué);2018年

3 桂存斌;基于最小化最大平均差異損失的無(wú)監(jiān)督領(lǐng)域自適應(yīng)[D];北京郵電大學(xué);2019年

4 田剛鵬;多模態(tài)下基于遷移學(xué)習(xí)的無(wú)監(jiān)督軟測(cè)量建模研究與應(yīng)用[D];太原理工大學(xué);2019年

5 趙季娟;基于極限學(xué)習(xí)機(jī)的無(wú)監(jiān)督領(lǐng)域適應(yīng)學(xué)習(xí)[D];中國(guó)礦業(yè)大學(xué);2019年

6 黃迪;基于深度學(xué)習(xí)的無(wú)監(jiān)督型圖像語(yǔ)義分析[D];杭州電子科技大學(xué);2018年

7 張建紅;基于無(wú)監(jiān)督分割和ELM的織物缺陷檢測(cè)和分類(lèi)方法研究[D];昆明理工大學(xué);2018年

8 鮑國(guó)強(qiáng);無(wú)監(jiān)督TSK模糊系統(tǒng)及其應(yīng)用研究[D];江南大學(xué);2018年

9 楊青相;基于卷積神經(jīng)網(wǎng)絡(luò)和雙目視差的無(wú)監(jiān)督深度預(yù)測(cè)[D];北京工業(yè)大學(xué);2018年

10 劉鑫;無(wú)監(jiān)督異常檢測(cè)方法研究及其應(yīng)用[D];電子科技大學(xué);2018年

本文編號(hào)：2872277