基于自编码器和填充函数的深度学习优化算法
针对粒子群算法容易陷入局部极小值的问题,提出了一种基于自编码器和填充函数的深度学习优化算法.深度学习采用的是分层的训练机制,它通过最小化误差函数进行分层的无监督训练.首先使用自编码器在无标签的训练样本上分层预训练得到各层参数,然后使用监督学习的方法对网络参数进行微调,从而减少陷入局部极小点的可能性.另外,引进了填充函数法,使之能够跳出局部最小值,继续迭代至更小的极值点,得到精度更高的全局最优点.本文选择了4个比较典型的基准测试函数进行仿真,通过分析基于自编码器和填充函数的深度学习优化算法对每个基准函数的收敛速度和搜寻精度评价该算法的优劣.结果 表明优化算法成功收敛到全局最优解,验证了改进后的算法满足函数优化要求.
自编码器、填充函数、全局最优值、深度学习
42
TP18(自动化基础理论)
2020-04-17(万方平台首次上网日期,不代表论文的发表时间)
共6页
79-84