一种基于强化学习的深度信念网络设计方法

• 作者: 程乐 邢海霞
• 来源期刊: 控制工程
• 学科: 工学
• 关键词: 深度信念网络 强化学习 自适应对比散度 鲁棒性能
• 年，卷（期）: 2019,（11）
• 所属期刊栏目: 人工智能驱动的自动化
• 页码范围: 2115-2120
• 页数: 6页
• 分类号: TP183
• 字数: 4787字
• 语种: 中文
• DOI: 10.14107/j.cnki.kzgc.20180783

摘要

近年来,基于深度学习思想发展起来的深度信念网络(Deep Belief Networks,DBN)在人工智能和大数据预测分析中得到了成功的应用.由于DBN的隐含层数较多,传统的DBN有监督精调(Fine-tuning)方法—BP算法很难得到令人满意的学习精度,甚至会因为梯度扩散(Gradient Diffusion)导致精度调节失败,且网络鲁棒性差.针对此问题,提出一种基于强化学习策略的DBN模型(RL-DBN)及其算法.首先利用自适应对比散度(Adaptive Contrastive Divergence,ACD)算法来快速预训练DBN的隐含层以获取较优的初始权值,然后用强化学习算法代替BP算法对DBN进行精调以提高有监督学习的精度和网络的鲁棒性.实验结果表明,相较于现有的类似模型,RL-DBN在学习速度、精度以及鲁棒性能等方面均有较大提高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	邢海霞		1	0	0.0	0.0
2	程乐		1	0	0.0	0.0