检索结果-南通市图书馆

受限玻尔兹曼机与加权Slope One混合推荐算法研究

在线全文

学校读者我要写书评

暂无评论

受限玻尔兹曼机与加权Slope One混合推荐算法研究

作者：赫辰皓辽宁工程技术大学

学位级别：硕士

推荐系统是解决信息过载问题的一个重要手段,然而推荐系统长期面临着数据稀疏性以及冷启动等问题。造成这些问题的主要原因有以下两个方面:一方面,推荐算法存在模型上的局限,难以对稀疏数据进行处理;另一方面,推荐算法的参照角度比较单... 详细信息

推荐系统是解决信息过载问题的一个重要手段,然而推荐系统长期面临着数据稀疏性以及冷启动等问题。造成这些问题的主要原因有以下两个方面:一方面,推荐算法存在模型上的局限,难以对稀疏数据进行处理;另一方面,推荐算法的参照角度比较单一,对系统中有效信息的挖掘不够充分,造成冷启动问题,并影响推荐效果。混合推荐算法是目前推荐系统领域的主要研究方向,通过对推荐算法或模型的组合,能一定程度地弥补单一模型存在的缺陷,有效缓解数据稀疏性与冷启动问题。针对以上两方面问题,从混合推荐的角度出发,首先为了弥补推荐模型的局限性,提出一种融合受限玻尔兹曼机与加权Slope One算法的混合推荐系统,使用基于项目与用户的实值受限玻尔兹曼机对评分矩阵进行初步填充,在填充完整的评分矩阵上使用加权Slope One算法对评分进行预测,以缓解Slope One算法的数据稀疏性问题。其次,针对传统推荐算法未考虑辅助信息对评分的影响,在加权Slope One的权值计算中,针对传统相似度计算方法角度单一的问题,在评分相似度的基础上引入项目类别属性信息,提出一种基于项目的混合相似度计算方法。另外,针对冷启动问题,提出一种基于项目类别相似度的评分填充方法。所提出的推荐算法在MovieLens 100K和1M以及Yahoo Webscope电影数据集三个公开数据集上进行实验评估,实验结果表明提出的混合算法相对于其组成算法在推荐准确度上提升了5%以上,在与现有算法的比较中,算法准确度提升了2%以上,证明了提出的算法有效地解决了稀疏性与冷启动问题,提高了推荐准确度。该论文有图27幅,表9个,参考文献58篇。

关键词：加权Slope One 受限玻尔兹曼机项目属性信息混合推荐协同过滤

基于改进深度受限玻尔兹曼机算法的光伏发电短期功率概率预测

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电力自动化设备 2018年第5期38卷 43-49页

作者：王继东冉冉宋智林天津大学智能电网教育部重点实验室天津300072

光伏发电功率受自然环境影响具有明显的波动性、间歇性与随机性,对光伏发电进行短期功率的概率预测可以有效缓解给电网调度、能量管理等方面带来的诸多不利影响。提出一种基于改进深度受限玻尔兹曼机(RBM)算法的光伏发电短期功率概率预... 详细信息

光伏发电功率受自然环境影响具有明显的波动性、间歇性与随机性,对光伏发电进行短期功率的概率预测可以有效缓解给电网调度、能量管理等方面带来的诸多不利影响。提出一种基于改进深度受限玻尔兹曼机(RBM)算法的光伏发电短期功率概率预测模型,通过灰色关联系数法寻找待预测日的相似日,并利用遗传算法对RBM算法进行参数优化,避免模型参数寻优陷入局部最优,以提高预测模型的预测精度。仿真算例表明,所提模型可以更好地反映光伏发电功率的概率分布。

关键词：光伏发电概率预测受限玻尔兹曼机灰色关联系数法遗传算法

在线全文

学校读者我要写书评

暂无评论

受限玻尔兹曼机分类算法的改进

受限玻尔兹曼机分类算法的改进

作者：王昱丹厦门大学

学位级别：硕士

深度学习算法的兴起使得机器学习取得了革命性的突破。受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)作为深度学习的基础算法之一,不仅可以有效地提取特征,拟合任意形式的离散分布,也可以为传统的神经网络提供良好的初始值,改善模... 详细信息

深度学习算法的兴起使得机器学习取得了革命性的突破。受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)作为深度学习的基础算法之一,不仅可以有效地提取特征,拟合任意形式的离散分布,也可以为传统的神经网络提供良好的初始值,改善模型的泛化能力,同时扮演着深度置信网络基础构成模块的重要角色等。此外,RBM也可以用作独立的分类器(ClassRBM)去处理分类问题。通常,训练ClassRBM有三个目标函数可以选择,分别是生成式目标函数(Generative Objective Fucntion,GenF)、判别式目标函数(Discriminative Objective Function,DisF)和它们的加权和。然而,已有的ClassRBM还存在着许多不足,比如:用GenF训练时,由于GenF函数值的计算需要遍历模型中所有节点的可能状态,复杂度极大,难以计算,一般通过抽样方法进行估算,使得模型准确率不高;用DisF训练时,目标值可以精确计算,但计算过程相当耗时;而用GenF和DisF加权和训练时,加权系数需要进行优化,增加了模型的复杂度。本文针对ClassRBM的不足,进行了两个改进。首先,针对单纯用GenF或DisF或它们的加权和训练ClassRBM的不足,提出一种交替用GenF和DisF训练ClassRBM的方法(ANGD),并在多个数据集上进行对比实验,结果表明ANGD提高了 ClassRBM的分类性能,特别是隐藏层节点数较多的时候。其次,利用ClassRBM的概率输出,提出了一种多分类器集成算法ClassRBM-MCI,进一步改善分类性能。在ClassRBM-MCI中,先用ANGD方法训练ClassRBM得到一个分类器C1;接着将对C1的概率输出较小的训练样本过滤出来组成一个训练样本子集,然后用ClassRBM、支持向量机和随机森林三种方法在此样本子集上训练得到分类器C2、C3和C4。对于一个测试样本,首先将其投入C1,如概率输出值大,直接用C1的结果作为其分类结果,否则用C1、C2、C3和C4的组合作为分类结果。通过与目前主流分类器进行实验对比,结果表明ClassRBM-MCI提升了ClassRBM的分类性能,并取得了比传统主流分类器更好的结果,尤其是训练样本比较多时,无论是测试准确率还是训练效率上都有一定的优势。

关键词：机器学习受限玻尔兹曼机分类集成学习

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

受限玻尔兹曼机的改进及其应用

受限玻尔兹曼机的改进及其应用

作者：罗剑江广东工业大学

学位级别：硕士

深度学习(Deep Learning),作为发现数据的分布式特征表示的方法,引起了机器学习领域普遍的关注.在深度学习方法中,深度置信网(Deep Belief Network,DBN)是最著名的方法之一,并已经成功地应用到各种机器学习任务.受限玻尔兹曼机(Restrict... 详细信息

深度学习(Deep Learning),作为发现数据的分布式特征表示的方法,引起了机器学习领域普遍的关注.在深度学习方法中,深度置信网(Deep Belief Network,DBN)是最著名的方法之一,并已经成功地应用到各种机器学习任务.受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)是一个生成模型,能够在无监督学习场景下自动提取数据特征.目前,RBM因其自身强大的特征提取能力以及作为深度置信网的基本构成模块,引起了机器学习界的密切关注,在众多领域中得到了广泛的应用.本文通过分析受限玻尔兹曼机的学习算法--对比散度(Contrastive Divergence,CD),提出了RBM存在特征同质化的倾向.针对此问题,结合稀疏表示,本文尝试对受限玻尔兹曼机进行改进.1.结合稀疏表示,本文我们使用arctan函数来迫使隐含单元稀疏,提出了新的稀疏RBM,称之为AtanRBM.AtanRBM使用arctan函数来约束隐含单元总的激活概率来获得稀疏表示,从而避免特征同质化问题的出现.在本方法中,每个隐含单元的稀疏度水平能够根据手头的任务自动地学习.在MNIST数据集的实验表明,相对于RBM和稀疏受限玻尔兹曼机(Sparse Restricted Boltzmann Machine,SRBM),AtanRBM能够学习到更加稀疏更有辨别力的特征.同时,应用AtanRBM预训练深度置信网,深度置信网在MNIST数据集能够取得不错的分类效果.2.鉴于隐含单元之间可能存在统计相关性,我们提出了基于弹性网络的新RBM模型,称之为EN-RBM.其中,我们采取适当的策略将弹性网络惩罚项引入RBM的对数似然函数中.该策略通过RBM隐含单元的特征的相似性进行自适应分组,将隐含单元分为两组,并分别使用1L范数和2L范数对其相应的隐含单元的激活概率进行约束,以确保表示的稀疏和泛化能力.在MNIST数据集的实验表明,EN-RBM具备更强的非监督学习能力.与此同时,应用EN-RBM构建深度置信网,深度置信网在MNIST数据集上能够更好地完成分类任务.

关键词：深度置信网受限玻尔兹曼机稀疏表示 arctan函数弹性网络

基于受限玻尔兹曼机的专家乘积系统的一种改进算法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电子与信息学报 2018年第9期40卷 2173-2181页

作者：沈卉卉李宏伟中国地质大学数理学院武汉430074 湖北经济学院信息管理与统计学院武汉430205 中国地质大学地球内部多尺度成像湖北省重点实验室武汉430074

深度学习在高维特征向量的信息提取和分类中具有很强的能力,但深度学习训练时间也比较长,超参数搜索空间大,从而导致超参数寻优较困难。针对此问题,该文提出一种基于受限玻尔兹曼机(RBM)专家乘积系统的改进方法。先将专家乘积系统原理与... 详细信息

深度学习在高维特征向量的信息提取和分类中具有很强的能力,但深度学习训练时间也比较长,超参数搜索空间大,从而导致超参数寻优较困难。针对此问题,该文提出一种基于受限玻尔兹曼机(RBM)专家乘积系统的改进方法。先将专家乘积系统原理与RBM算法相结合,采用全是真实概率值的参数更新方式会引起模型识别效果不理想和带来密度问题,为此将其更新方式进行改进;为加快网络收敛和提高模型识别能力,采取在RBM预训练阶段和微调阶段引入不同组合方式动量项的一种改进算法。通过对MNIST数据库中的0~9的手写数字体的识别和CMU-PIE数据库的人脸识别实验,提出的算法减少了学习时间,提高了超参数寻优的效率,进而构建的深层网络能获得较好的分类效果。试验结果表明,提出的改进算法在处理高维大量的数据时,计算效率有较大提高,其算法有效。

关键词：深度学习专家乘积神经网络受限玻尔兹曼机动量

基于受限玻尔兹曼机的Web服务质量预测方法

在线全文

学校读者我要写书评

暂无评论

中南大学学报（自然科学版） 2018年第11期49卷 2745-2752页

作者：王兴菲万健陈璐殷昱煜俞立峰杭州电子科技大学计算机学院浙江杭州310018 复杂系统建模与仿真教育部重点实验室浙江杭州310018 浙江科技学院信息与电子工程学院浙江杭州310023 杭州核新同花顺网络信息股份有限公司浙江杭州310023

针对协同过滤算法无法有效处理数据稀疏的问题,提出1种基于受限玻尔兹曼机的Web服务质量(QoS)预测方法;第1阶段使用受限玻尔兹曼机模型对所有缺失的QoS值进行预测,并对原始的QoS矩阵进行填充;在第2阶段基于该QoS矩阵进行全局邻居筛选,... 详细信息

针对协同过滤算法无法有效处理数据稀疏的问题,提出1种基于受限玻尔兹曼机的Web服务质量(QoS)预测方法;第1阶段使用受限玻尔兹曼机模型对所有缺失的QoS值进行预测,并对原始的QoS矩阵进行填充;在第2阶段基于该QoS矩阵进行全局邻居筛选,同时将受限玻尔兹曼机引入到用户近邻的协同过滤模型中,以预测目标QoS值。研究结果表明:该方法能提高QoS预测精确度,在一定程度上降低数据稀疏对预测的影响。

关键词： Web服务服务质量预测协同过滤受限玻尔兹曼机

在线全文

学校读者我要写书评

暂无评论

受限玻尔兹曼机结合聚类的特异点挖掘方法

软件导刊 2020年第2期19卷 136-139页

作者：董鑫夏文瀚倪健黄强聂斌江西中医药大学计算机学院江西南昌330004

为了减少高维数据“维数灾难”对聚类效果的影响,将高斯受限玻尔兹曼机与DBSCAN算法相结合。首先利用高斯受限玻尔兹曼机对训练数据进行降维,然后采用DBSCAN算法识别降维后的数据特异点,最后利用UCI数据集中的数据进行实验验证,并开发... 详细信息

为了减少高维数据“维数灾难”对聚类效果的影响,将高斯受限玻尔兹曼机与DBSCAN算法相结合。首先利用高斯受限玻尔兹曼机对训练数据进行降维,然后采用DBSCAN算法识别降维后的数据特异点,最后利用UCI数据集中的数据进行实验验证,并开发了相应演示系统。实验选取UCI数据集中的3组数据进行验证,结果发现,该方法准确率分别为0.778、0.714、0.900,分别比DBSCAN算法提高了0.19、0.514、0.186,效果优于DBSCAN算法。因此高斯受限玻尔兹曼机与DBSCAN算法结合不仅能提高识别结果准确度,而且能提升识别效率。

关键词：受限玻尔兹曼机聚类算法特异点

在线全文

学校读者我要写书评

暂无评论

基于判别式受限玻尔兹曼机的数字调制识别

通信学报 2021年第2期42卷 81-91页

作者：李正权林媛李梦雅刘洋吴琼邢松江南大学轻工过程先进控制教育部重点实验室江苏无锡214122 北京邮电大学网络与交换技术国家重点实验室北京100876 加利福尼亚州立大学信息系统系洛杉矶CA90032

为了提高大动态信噪比下数字调制识别性能,提出一种基于高阶累积量和判别式受限玻尔兹曼机的联合调制识别方法。该方法提取数字信号的高阶累积量作为信号特征,综合利用判别式受限玻尔兹曼机的生成能力和分类能力,分析了含有高斯噪声、... 详细信息

为了提高大动态信噪比下数字调制识别性能,提出一种基于高阶累积量和判别式受限玻尔兹曼机的联合调制识别方法。该方法提取数字信号的高阶累积量作为信号特征,综合利用判别式受限玻尔兹曼机的生成能力和分类能力,分析了含有高斯噪声、时变相位偏移或瑞利衰落环境下的数字信号识别率。实验结果表明,与传统识别方法相比,所提方法的识别性能有明显改善。此外,利用该模型的生成能力对输入特征进行重构,可有效提高低信噪比下的信号识别率。

关键词：调制识别受限玻尔兹曼机高阶累积量数据重构

基于受限玻尔兹曼机和粗糙集的风速区间概率预测模型

在线全文

学校读者我要写书评

暂无评论

计算机应用与软件 2023年第3期40卷 157-166,240页

作者：于晓要李娜商丘工学院河南商丘476000

针对风速的不确定性、时变和非线性特征,提出一种用于风速预测的基于受限玻尔兹曼机和粗糙集理论的区间概率分布学习(Interval Probability Distribution Learning, IPDL)模型。该模型包含一组区间隐藏变量,利用Gibbs抽样和对比散度来... 详细信息

针对风速的不确定性、时变和非线性特征,提出一种用于风速预测的基于受限玻尔兹曼机和粗糙集理论的区间概率分布学习(Interval Probability Distribution Learning, IPDL)模型。该模型包含一组区间隐藏变量,利用Gibbs抽样和对比散度来获取风速的概率分布,结合模糊Ⅱ型推理系统(Fuzzy Type Ⅱ Inference System, FT2IS),设计一个有监督回归的实值区间深度置信网络(Interval Deep Belief Network, IDBN)。算例结果表明,该方法结合了IPDL和FT2IS的鲁棒性,风速预测性能较好。

关键词：受限玻尔兹曼机粗糙集理论风速预测区间概率分布学习人工神经网络