毕业论文网
本文是一篇关于算法模型论文范文，可作为相关选题参考,和写作参考文献。
深度学习的三种核心算法模型
【摘 要】 以数据为基础的数据时代来临,给人们的生活带来了前所未有的机遇与挑战,近些年来大数据相关技术的日益成熟,带动着与大数据相关的技术也取得了突飞猛进的进步,特别是深度学习.本文分析了深度学习的发展,详细阐述了深度学习算法中最核心的三种算法模型.近年来流行的深度学习算法绝大多数都是基于这三种模型提出来的,这三种核心的深度学习模型的发展与深度学习的发展有着密不可分的连系.
【关键字】 大数据 人工智能 机器学习 深度学习
一、引言
在理解深度学习之前,首先需要了解什么是人工智能,什么是机器学习.人工智能是研究人类智能活动的规律,构造具有相应智能的人工智能系统,就是通过如何应用计算机相关的软硬件来实现人类某些智能行为的基本理论、方法和技术[1].人工智能的发展一直随着计算机的发展而发展,特别是进入工业革命以来人类为了实现人工智能一直在不断的探索中,但是成绩并没有那么显著,做出来的人工智能系统并不是人们想要的智能.机器学习是人工智能的一个重要的分支,其原理是通过对大数据量的历史经验的分析学习,得出针对数据的分类或治回归的目标函数,设计出能让计算机自主学习的算法,最后通过设计出的算法对未知数据进行求解[2].
二、深度学习的发展
机器学习的发展学术上分为两个阶段,第一个阶段是浅层学习, 标志是1974 年Paul Werbos 提出了BP（backpropagation,BP）算法,克服了从简单模型推广到复杂的神经网络模型中线性不可分的问题.第二阶段是深度学习, 2006年,Hinton 教授和他的学生Salakhutdinov 在《科学》期刊上发表了一篇文章[3] 提出了(deep belief network,DBN) 深度置信网络.随后不断有新的深度结构模型算法被提出,掀起了研究深度学习的浪潮.在深度学习发展的十年时间,不算太长,其中大部分模型都是以最基础的几种核心模型为原型[4],例如RBM,AE（atuo encoders）,卷积神经网络（convolutionalneural networks,CNN）等.
2.1 受限波尔兹曼机（restricted Boltzmannmachines,RBM）
波尔兹曼机（Boltzmann machine,BM）[5] 是一种随机神经网络,它由Hinton 和Sejnowski 于1986 年提出的一种根据统计力学的随机神经网络,包含一个显示层和隐层的BM 模型.
该网络中随机神经元输出只有两种状态（未激活/ 激活）,一般用0 和1 表示,状态值取什么值根据概率法则决定.该网络固有的属性使其具有强大的无监督学习能力,能学习大量数据中复杂的规则.
Smolensky[6] 引入一种受限制的波尔兹曼机RBM.RBM类似一个无向图模型. h 是隐层（hidden）,v 表示可见层（visible）；两层都有各自随机数量的神经元,不同层的随机神经元状态不一样,同一层的不同随机神经元状态也不一样；w 为两层之间的连接权重.RBM 中隐神经元和可见神经元可以为任意的指数族分布. 我们将所有可见神经元和隐神经元均为二值变量,即对任意的i,j,vi ∈ {0,1},hj ∈ {0,1}.
用向量v 和h 分别表示可见神经元和隐神经元的状态,假设一个RBM 中有n 个可见神经元和隐神经元,vi 表示第i个可见精神元的状态,表示第j 个隐神经元的状态.RBM 所具备的能量定义为：
三、总结
近年来越来越多的研究者们根据受限波尔兹曼机、自动编码器、卷积神经网络三种深度学习模型提出了自己的深度学习算法模型.深度置信网（Deep Belief Networks,DBN）是由G.E.Hintong 等[7] 将若干个RBM 模型叠加,这样就形成了由着多层隐藏解释因子的神经网络.深度波尔兹曼机（deepboltzmann machine,DBM）[8] 是将单层RBM 的隐藏层数增加.SAE 深度结构是通过将DBN 中的RBM 替换成AE,得到SAE 结构.到2012 年A. Krizhevsky 等[9] 将CNN 构造成深度卷积神经网络(deep convolution neural network,DCNN),2014 年Zheng Yi 等提出d 多通道深度卷积神经网络(multi-channelsdeep convolutional neural networks,MC-DCNN).本文开始阐明了深度学习的发展,之后详细讲解了RBM、AE、CNN 三种核心深度学习模型.
算法模型论文范文结:
大学硕士与本科算法模型毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载，关于免费教你怎么写算法模型方面论文范文。
1、论文模型
2、建筑模型论文