用于时间序列数据分析的循环时序深度信念网络自适应学习方法
神经与进化计算
2018-07-12 v1 机器学习
机器学习
摘要
深度学习具有分层网络架构以表示输入模式的复杂特征。如果找到最优网络结构中最佳参数集合，这种架构已知比一些传统模型具有更高的学习能力。我们一直在开发能够在深度信念网络（DBN）中发现最优网络结构的自适应学习方法。该学习方法可以在学习阶段构建每层受限玻尔兹曼机中隐神经元最优数量以及 DBN 中层数最优数量的网络结构。该学习方法的网络结构可根据给定大数据集的输入模式自组织。本文将自适应学习方法嵌入循环时序 RBM 并将自生成层嵌入 DBN。为验证所提方法的有效性，本文中实验结果显示比传统方法具有更高的分类能力。
引用
@article{arxiv.1807.03953,
title = {Adaptive Learning Method of Recurrent Temporal Deep Belief Network to Analyze Time Series Data},
author = {Takumi Ichimura and Shin Kamada},
journal= {arXiv preprint arXiv:1807.03953},
year = {2018}
}
备注
8 pages, 9 figures. arXiv admin note: text overlap with arXiv:1807.03487, arXiv:1807.03486