Indexed by：
Abstract：
针对深度信念网(Deep belief network,DBN)学习连续数据时预测精度较差问题,提出一种双隐层连续型深度信念网.该网络首先对输入数据进行无监督训练,利用连续型传递函数实现数据特征提取,设计基于对比分歧算法的权值训练方法,并通过误差反传对隐层权值进行局部寻优,给出稳定性分析,保证训练输出结果稳定在规定区域.利用Lorenz混沌序列、CATS序列和大气CO_2预测实验对该网络进行测试,结果表明,连续型深度信念网具有结构精简、收敛速度快、预测精度高等优点.
Keyword：
Reprint Author's Address：
Email：
Source ：
自动化学报
Year： 2015
Issue： 12
Volume： 41
Page： 2138-2146
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 1
