论文部分内容阅读
随着大数据时代的来临和发展，对这些海量的、复杂的数据进行数据的降维是一个必然趋势，深度学习在这块取得不错的成果。本文构建一个深度稀疏自编码神经网络，用以学习和研究深度学习的特征学习和应用。 在同一个数据集上，设定提取的特征的数量是不一样，对比每一层通过特征抽取的实验结果;在同一个数据集上，设定提取的特征的数量是相等，但通过两个深度不一样的模型来进行特征学习，对比特征抽取的实验结果;在不同数据集上，做特征抽取实验，对比它们的实验结果。通过对这三组实验结果的对比和分析，验证了深度神经网络模型的数据降维和自主特征学习能力，以及能够进行深层次的抽象。 通过一个使用BP算法进行调优的深度稀疏自编码神经网络模型，对一个带标签数据集的数据部分进行逐层抽取特征，实现数据降维，并在lib-SVM上进行分类，将得到分类模型的训练时间、预测的准确度以及信息的丢失程度，与原始数据在lib-SVM上的相关参数进行对比，验证了深度神经网络良好的降维效果和特征学习能力。提出一个异步更新的BP算法，对深度稀疏自编码神经网络模型的权重进行优化，对同一个数据集，进行相同试验，将得到的结果与前两组数据进行比较，发现这个新的模型能够提高预测准确度，并降低信息的丢失程度。 本文主要的创新之处如下: (1)对深度学习的特征提取进行研究，验证了深度神经网络的数据降维和自主特征学习能力; (2)构建了一个深度稀疏自编码模型，验证了深度神经网络良好的数据降维效果; (3)使用异步更新BP算法，改进这个模型，提高了预测准确度和减少了信息丢失程度。