基于类别条件的受限玻尔兹曼机改进设计

摘要：

针对受限玻尔兹曼机（RBM ）在进行无监督训练时易出现特征同质化导致泛化能力较差的问题，设计了将类别条件引入 RBM 训练中，从而提出了基于类别条件的 RBM （lCRBM ）。针对 RBM 的训练，将类别信息作为模型隐单元训练条件，参与到隐单元后验激活概率计算中；并将该模型作为深度玻尔兹曼机（DBM ）的底层结构，应用于深度学习中。通过手写数字识别集合测试，该模型在训练速度和特征提取有效性上均有较大改善，并且能够提高深度模型的特征学习能力。

关键词：受限玻尔兹曼机、深度学习、监督学习、对比散度

所属期刊栏目：44

分类号：TP393(计算技术、计算机技术)

在线出版日期：2016-09-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：1436-1438,1547