基於深度置信網絡的分類方法 pdf epub mobi txt 電子書下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

周樹森著

圖書標籤:

深度學習
置信網絡
分類算法
機器學習
模式識彆
神經網絡
人工智能
圖像分類
目標檢測
計算機視覺

下載連結在頁面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製連結

想要找書就要到新城書站

book.cndgn.com

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

齣版社：清華大學齣版社

ISBN：9787302413554

版次：1

商品編碼：11829796

品牌：清華大學

包裝：平裝

開本：16開

齣版時間：2015-11-01

用紙：膠版紙

具體描述

編輯推薦

● 這是一本全新編寫的深度置信網絡參考書，涉及深度學習領域，內容新穎，結構閤理。適閤對深度學習有興趣的讀者的學習需要，具有很強的實用性、指導性。

● 全書涵蓋深度置信網絡的新知識，介紹瞭多個基於深度置信網絡的方法，使用多個文本和圖像數據集設計相關實驗，證明本書提齣算法的有效性。

● 把深度學習技術的概念、理論和技術融入手寫中文識彆實踐中，進一步驗證瞭基於深度置信網絡的分類方法解決大規模實際應用中分類問題的能力。

內容簡介

　　深度置信網絡作為經典的深度學習方法，可以包含較多的隱藏層，更好地學習各種復雜數據的結構和分布。本書從深度置信網絡的概念、研究內容和應用齣發，提齣瞭一係列基於深度置信網絡的分類方法，使用半監督學習和監督學習方法來提升分類性能。另外，將深度學習方法應用到手寫中文識彆中，提齣瞭基於深層架構的手寫識彆方法，有效地提升瞭手寫識彆正確率。
　　《基於深度置信網絡的分類方法》共分為7章。第1章介紹深度置信網絡的概念、發展及其研究現狀；第2章介紹區分深度置信網絡；第3章介紹自適應深度置信網絡；第4章介紹量子深度置信網絡；第5章介紹主動深度置信網絡；第6章介紹主動模糊深度置信網絡；第7章介紹基於深層架構的手寫識彆方法。
　　本書適閤作為高等院校計算機專業高年級本科生、研究生的參考書，同時可供對機器學習比較熟悉並且對深度學習有所瞭解的廣大科技工作者和研究人員參考。

前言/序言

21世紀初，機器學習領域齣現瞭一係列基於多層神經網絡架構的學習方法，稱為深度學習方法。深度學習的最大特點，就是把一個復雜的認知問題分解為幾層簡單問題，通過對簡單問題的大運算量處理，得齣規律，進入下一“層”，逐層運算處理，直到觸達事物本質。深度置信網絡作為經典的深度學習方法，可以包含較多隱藏層，可以更好地學習各種復雜數據的結構和分布，引起瞭廣泛關注。深度置信網絡本身采用的是無監督學習機製，可以采用先以無監督學習進行抽象，後以有監督學習進行分類的方法提升分類性能。探討如何使用深度學習方法來解決分類問題，特彆是基於半監督學習的分類問題的研究工作具有重要的現實意義。

本書提齣瞭一係列基於深度置信網絡的分類方法，使用半監督學習方法和監督學習方法來提升分類性能。

第一，區分深度置信網絡。深度置信網絡方法在數據壓縮中取得瞭很好的效果，但是在分類方麵的性能還有待提升。本書基於深度置信網絡方法，提齣瞭一種新的半監督學習方法，稱為區分深度置信網絡。該方法使用一個新的深層架構來集成深度置信網絡的抽象能力和指數損失函數的區分能力，可以使用少量的標注數據達到比較好的分類效果。在人工閤成和現實生活中圖片數據集上的實驗錶明，區分深度置信網絡可以通過使用大量的未標注數據來大幅度提升它的分類能力。

第二，自適應深度置信網絡。區分深度置信網絡主要解決半監督學習問題，而沒有解決如何用深度學習方法進行有效的監督學習的問題。本書基於區分深度置信網絡和深度自動編碼方法，提齣瞭一種新的監督學習方法，稱為自適應深度置信網絡。該方法使用無監督學習方法來構建輸齣層，與使用隨機數初始化輸齣層的經典方法相比，分類結果得到瞭提升。在手寫數字、手寫字母和現實生活中圖片數據集上的實驗錶明，自適應深度置信網絡的分類結果優於經典機器學習方法和區分深度置信網絡方法。

第三，量子深度置信網絡。量子神經網絡是一個將模糊集和傳統神經網絡很好地結閤起來的分類方法。為瞭進一步提升監督學習方法的性能，本書在自適應深度置信網絡和量子神經網絡基礎上，提齣瞭量子深度置信網絡方法。該方法使用一個新的深層架構來集成深層架構的抽象能力和量子神經網絡的模糊錶示能力。在多個現實應用數據集上的實驗錶明，量子深度置信網絡的分類能力明顯高於經典神經網絡、模糊神經網絡、區分深度置信網絡和自適應深度置信網絡方法。

第四，主動深度置信網絡。為解決半監督學習中的有效樣本選擇問題，本書將自適應深度置信網絡和主動學習方法相結閤，提齣瞭一種新的半監督學習方法，稱為主動深度置信網絡。該方法使用同一個深層架構來進行半監督學習和主動學習，使深層架構在主動學習過程中進行迭代訓練，逐步提高抽象和分類能力。本書將主動深度置信網絡成功地應用到情感分類任務中，實驗結果錶明，主動深度置信網絡的性能優於經典半監督學習方法、主動學習方法，對本書前麵提齣的深度學習方法也有性能上的改進。

第五，主動模糊深度置信網絡。為瞭進一步提升主動深度置信網絡的性能，本書將主動深度置信網絡與模糊學習方法相結閤，提齣瞭主動模糊深度置信網絡。該方法繼承瞭深層架構優異的數據抽象能力和模糊集優異的分類能力。本書將該方法成功地應用到情感分類任務中，實驗結果錶明，主動模糊深度置信網絡獲得瞭所有對比方法中最好的性能。

最後，本書將深度學習方法應用到手寫中文識彆中，提齣瞭一個有效的手寫中文識彆方法，稱為基於深層架構的手寫識彆方法。該方法將深層架構的抽象能力和指數損失函數的分類能力相結閤，使用深層架構進行粗分類，然後使用改進的二次分類函數進行細分類。在三個手寫中文識彆數據庫上的實驗錶明，基於深層架構的手寫識彆方法可以通過深層架構來提升分類性能，識彆正確率優於經典的手寫中文識彆方法，從而進一步驗證瞭基於深度置信網絡的分類方法解決大規模實際應用中的分類問題的能力。

本書的相關研究和齣版得到瞭國傢自然科學基金（No. 61300155, 61170161）、魯東大學校基金（No. LY2013004）資助。另外，本書的編寫還得到魯東大學信息與電氣工程學院院長鄒海林教授、哈爾濱工業大學深圳研究生院王曉龍教授和陳清財教授的大力支持，在此對這些同誌的鼓勵和幫助錶示衷心的感謝。

限於作者的學識水平，書中難免有不妥和疏漏之處，懇請各位專傢、同仁和讀者不吝賜教和批評指正。

周樹森

2015年6月於煙颱

摘要

最近，機器學習領域齣現瞭一係列基於多層神經網絡架構的學習方法，稱為深度學習方法。深度置信網絡作為經典的深度學習方法，可以包含較多隱藏層，可以更好地學習各種復雜數據的結構和分布，引起瞭廣泛關注。但由於深度置信網絡本身采用的是無監督學習機製，因此，探討如何使用深度學習方法來解決分類問題，特彆是基於半監督學習的分類問題的研究工作還比較少。

本書提齣瞭一係列基於深度置信網絡的分類方法，使用半監督學習和監督學習方法來提升分類性能。研究內容主要包括以下幾方麵:

第三，量子深度置信網絡。量子神經網絡是一個將模糊集和傳統神經網絡很好地結閤起來的分類方法。為瞭進一步提升監督學習方法的性能，本書在自適應深度置信網絡和量子神經網絡基礎上，提齣瞭量子深度置信網絡方法。該方法使用一個新的深層架構來集成深層架構的抽象能力和量子神經網絡的模糊錶示能力。

第四，主動深度置信網絡。為解決半監督學習中的有效樣本選擇問題，本書將自適應深度置信網絡和主動學習方法相結閤，提齣瞭一種新的半監督學習方法，稱為主動深度置信網絡。該方法使用同一個深層架構來進行半監督學習和主動學習，使深層架構在主動學習過程中進行迭代訓練，逐步提高抽象和分類能力。

第五，主動模糊深度置信網絡。為瞭進一步提升主動深度置信網絡的性能，本書將主動深度置信網絡與模糊學習方法相結閤，提齣瞭主動模糊深度置信網絡。該方法繼承瞭深層架構優異的數據抽象能力和模糊集優異的分類能力。

最後，本書將深度學習方法應用到手寫中文識彆任務中，提齣瞭一個有效的手寫中文識彆方法，稱為基於深層架構的手寫識彆方法。該方法將深層架構的抽象能力和指數損失函數的分類能力相結閤，使用深層架構進行粗分類，然後使用改進的二次分類函數進行細分類。

關鍵詞: 深度學習，監督學習，半監督學習，主動學習，文本分類，圖像分類，手寫識彆AbstractAbstract

Recently, deep learning methods, one kind of learning method which based on multilayer neural networks, were proposed. Deep belief networks (DBN) is a typical deep learning method, which is usually composed of many hidden layers, has better capability of learning complex structures and distributions of real data sets than traditional neural networks. However, because of the unsupervised learning mechanism used in DBN, there is still few research on using deep learning method to solve classification problems, especially semi�瞫upervised classification problems.

To improve the classification performance of semi�瞫upervised and supervised learning, this book proposes several classification methods based on deep belief networks. The main contents of this book are as follows.

First, discriminate deep belief networks are proposed. DBN has reached good performance in data compression, however, the data classification performance is need to be improved. We propose a new semi�瞫upervised learning method, discriminate deep belief networks, which uses a new deep architecture to integrate the abstraction capability of DBN and the discriminative capability of the exponential loss function. It helps the method reaching good classification performance by using fewer labeled data.

Second, adaptive deep belief networks are proposed. Discriminate deep belief networks are used to solve semi�瞫upervised learning problems, and cannot solve supervised learning problems with deep learning method efficiently. We propose a supervised learning method based on deep learning. This supervised learning method is referred to as adaptive deep belief networks, and is based on discriminate deep belief networks and deep autoencoder. This method uses an unsupervised learning method to construct the output layer. Compared with classical random initialization methods, this method can obtain a higher classification accuracy.

Third, quantum deep belief networks are proposed. Quantum neural networks is a classification method that combines the merits of fuzzy sets and traditional neural networks methods. To further improve the performance of supervised learning, we propose the quantum deep belief networks, based on adaptive deep belief networks and quantum neural networks. This method uses a new deep architecture to integrate the abstraction ability of deep architecture and fuzzy representation ability of quantum neural networks.

Fourth, active deep belief networks are proposed. To solve the effective sample selection problem, we propose a new semi�瞫upervised learning method, active deep belief networks, based on adaptive deep belief networks and active learning method. This method uses the same deep architecture for semi�瞫upervised learning and active learning, and iteratively trains it in active learning procedure, improves the abstraction and classification ability step by step.

Fifth, active fuzzy deep belief networks are proposed. To improve the performance of active deep belief networks method continuously, we propose a new semi�瞫upervised learning method, active fuzzy deep belief networks, based on active deep belief networks and fuzzy learning method. This method inherits the powerful abstraction ability of deep architecture and powerful fuzzy classification ability of fuzzy sets.

At last, we apply deep learning methods in handwritten Chinese character recognition mission, and propose an effective handwritten Chinese character recognition method, handwriting recognition based on deep architecture. This method integrates the abstraction ability of deep learning method and discriminative ability of exponential loss function, uses deep architecture for coarse classification and modified quadratic discriminant function for fine classification.

Key words: Deep learning, Supervised learning, Semi�瞫upervised learning, Active learning, Text classification, Image classification, Handwriting recognition