从循环深度信念网络提取知识用于实时确定性控制
神经与进化计算
2018-07-12 v1 人工智能
摘要
近来，包含软硬件的深度学习市场迅速发展。大数据通过 IoT 设备收集，工业界将分析它们以改进制造流程。深度学习具有分层网络架构以表示输入模式的复杂特征。尽管深度学习可展现分类、预测等的高能力，但需在 GPU 设备上实现。我们可能面临深度学习更高精度与 GPU 设备更高成本之间的权衡。我们成功从具有高分类能力的训练后深度学习提取知识。能够实现预训练深度网络更快推理的知识作为 IF-THEN 规则从给定输入数据的网络信号流中提取。针对时间序列数据集的一些基准测试实验结果显示了我们所提方法在计算速度方面的有效性。
关键词
引用
@article{arxiv.1807.03954,
title = {Knowledge Extracted from Recurrent Deep Belief Network for Real Time Deterministic Control},
author = {Shin Kamada and Takumi Ichimura},
journal= {arXiv preprint arXiv:1807.03954},
year = {2018}
}
备注
6 pages, 10 figures. arXiv admin note: text overlap with arXiv:1807.03953