10.11896/j.issn.1002-137X.2016.8.050
基于MIC的深度置信网络研究
传统的深度置信网络(DBNs)训练过程采用重构误差作为RBM网络的评价指标,它能在一定程度上反映网络对训练样本的似然度,但它并不是可靠的.而最大信息系数(MIC)能反映两个属性间的相关度,保留相关度较大的属性,且MIC较稳健,不易受异常值的影响,可作为网络评价指标.故提出一种基于最大信息系数(MIC)的深度置信网络方法,一方面用MIC对数据进行降维预处理,提高数据与网络的拟合度,降低网络分类误差;另一方面将MIC作为网络评价标准,改进重构误差的不可靠性.分别利用传统方法与基于MIC的深度置信网络方法对手写数据集MNIST和USPS进行分类实验,结果表明,基于MIC的深度置信网络方法能有效地提高识别率.
深度置信网络、最大信息系数、重构误差、降维
43
TP183(自动化基础理论)
国家自然科学基金项目61300107;广东省自然科学基金项目S2012010010212;广州市科技计划项目201504301341059,201505031501397
2016-10-08(万方平台首次上网日期,不代表论文的发表时间)
共5页
249-253