收录:
摘要:
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.
关键词:
通讯作者信息:
电子邮件地址:
来源 :
自动化学报
年份: 2015
期: 12
卷: 41
页码: 2138-2146