一种基于模糊划分和模糊加权的集成深度信念网络

摘要：

针对DBN算法训练时间复杂度高,容易过拟合等问题,受模糊理论启发,提出了一种基于模糊划分和模糊加权的集成深度信念网络,即FE-DBN(ensemble deep belief network with fuzzy partition and fuzzy weighting),用于处理大样本数据的分类问题.通过模糊聚类算法FCM将训练数据划分为多个子集,在各个子集上并行训练不同结构的DBN,将每个分类器的结果进行模糊加权.在人工数据集、UCI数据集上的实验结果表明,提出的FE-DBN比DBN精度均有所提升,具有更快的运行时间.

关键词：集成、深度信念网络、模糊划分、模糊加权、运行时间、模糊聚类算法、模糊理论

所属期刊栏目：14

分类号：O235;TP18(控制论、信息论（数学理论）)

资助基金：国家自然科学基金面上项目61572236, 61300151, 61772198

在线出版日期：2019-10-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：905-914