计算机工程与设计
計算機工程與設計
계산궤공정여설계
COMPUTER ENGINEERING AND DESIGN
2015年
4期
1022-1026
,共5页
赵志勇%李元香%喻飞%易云飞
趙誌勇%李元香%喻飛%易雲飛
조지용%리원향%유비%역운비
深度学习%极限学习机%机器学习%神经网络%深度信念网
深度學習%極限學習機%機器學習%神經網絡%深度信唸網
심도학습%겁한학습궤%궤기학습%신경망락%심도신념망
deep learning%extreme learning machine%machine learning%neural network%deep belief network
在使用传统的全局优化方法对整个深度信念网（DBN）进行优化的过程中需要大量的时间，且基于梯度的优化方法易陷入局部最优。为加快 DBN 的训练速度，将极限学习机（ELM）运用到 DBN 模型的训练中。分别将传统 DBN 与改进后的 IDBN 算法应用在手写体数据集 MNIST、Binary Alphadigits 数据集和 USPS 数据集上，实验结果表明，改进后的IDBN 算法能够保证已有的学习准确性，提高学习的速度。
在使用傳統的全跼優化方法對整箇深度信唸網（DBN）進行優化的過程中需要大量的時間，且基于梯度的優化方法易陷入跼部最優。為加快 DBN 的訓練速度，將極限學習機（ELM）運用到 DBN 模型的訓練中。分彆將傳統 DBN 與改進後的 IDBN 算法應用在手寫體數據集 MNIST、Binary Alphadigits 數據集和 USPS 數據集上，實驗結果錶明，改進後的IDBN 算法能夠保證已有的學習準確性，提高學習的速度。
재사용전통적전국우화방법대정개심도신념망（DBN）진행우화적과정중수요대량적시간，차기우제도적우화방법역함입국부최우。위가쾌 DBN 적훈련속도，장겁한학습궤（ELM）운용도 DBN 모형적훈련중。분별장전통 DBN 여개진후적 IDBN 산법응용재수사체수거집 MNIST、Binary Alphadigits 수거집화 USPS 수거집상，실험결과표명，개진후적IDBN 산법능구보증이유적학습준학성，제고학습적속도。
An amount of time is needed to optimize the whole deep belief network (DBN)using the traditional global optimiza-tion algorithms and the fine-tuning method based on gradient used in DBN may stick into local optimum.To accelerate the lear-ning process of DBN,extreme learning machine (ELM)was applied into the learning process of DBN.IDBN was compared with DBN on the MINST dataset ,Binary Alphadigits dataset and the USPS dataset,and the result shows that IDBN has a higher learning speed with a reliable learning accuracy.
