基于大数据深度残差学习的特征提取算法

摘要：

针对当前算法在进行目标数据特征提取时存在提取准确率不高、效率低、特异性和灵敏度较差,以及网络节点能耗较高的问题,提出一种基于大数据深度残差学习的特征提取算法,将深度学习的灰色神经网络与残差学习方法进行有机结合,求得了深度残差学习网络模型的微分方程以及时间响应公式,并计算了网络初始权值和阈值;根据深度学习的灰色神经网络拓扑结构获得深度残差学习网络各层的输出参量,采用误差反向传播方法和附加动量法对深度残差学习网络的阈值和权值进行实时更新和调整,完成深度残差学习的网络模型构建,并采用模型精度和后验差比值对该模型进行精度检验,将经过检验合格的网络模型用于目标数据特征提取.通过多组实验测试,证明所提算法相比于其他对比算法有效减少特征提取错误率、提高了执行效率,具有较高的灵敏度和特异性,大大减小了网络节点总体能量消耗,延长了网络生存寿命.

关键词：大数据、深度残差学习、特征提取

所属期刊栏目：35

分类号：TP311.31(计算技术、计算机技术)

资助基金：广东省“创新强校工程”青年特色创新类项目自然科学类:基于网络爬虫的主题信息采集技术的应用研究2016KQNCX236

在线出版日期：2019-06-04（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：89-92