文献类型：期刊文章

作　　者：赵志勇[1] 李元香[1] 喻飞[1] 易云飞[1,2]

机构地区：[1]武汉大学软件工程国家重点实验室,湖北武汉430072 [2]河池学院计算机与信息工程学院,广西宜州546300

出　　处：《计算机工程与设计》

基　　金：国家自然科学基金项目(61070009;61170305);广西教育厅科研基金项目(200103YB136);国家大学生创新创业训练计划基金项目(201310605017;201310605018)

年　　份：2015

卷　　号：36

期　　号：4

起止页码：1022-1026

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSA、CSA-PROQEUST、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：在使用传统的全局优化方法对整个深度信念网(DBN)进行优化的过程中需要大量的时间,且基于梯度的优化方法易陷入局部最优。为加快DBN的训练速度,将极限学习机(ELM)运用到DBN模型的训练中。分别将传统DBN与改进后的IDBN算法应用在手写体数据集MNIST、Binary Alphadigits数据集和USPS数据集上,实验结果表明,改进后的IDBN算法能够保证已有的学习准确性,提高学习的速度。

关 键 词：深度学习  极限学习机 机器学习  神经网络 深度信念网  

分 类 号：TP181]