一種基于張量的深度字典學(xué)習(xí)模型.pdf

1、隨著互聯(lián)網(wǎng)的普及與規(guī)模的持續(xù)增長，數(shù)據(jù)的刻畫形式越來越復(fù)雜。傳統(tǒng)的算法大多將數(shù)據(jù)展開成一維向量，再使用基于向量的算法對數(shù)據(jù)進行處理，這樣不僅破壞了數(shù)據(jù)結(jié)構(gòu)，也為后續(xù)深入研究帶來麻煩，所以為了克服向量化數(shù)據(jù)所帶來的弊端，基于向量的算法日益被支持張量的運算取代。這里提出了一種新的基于張量的深度字典學(xué)習(xí)算法，用以直接處理張量數(shù)據(jù)，提取特征信息。
　　論文首先根據(jù)張量的基本定義中的線性組合特性和卷積平移不變性的特征，提出了一種基于張量的字

2、典學(xué)習(xí)算法(T-DL)且給出了其具體的計算步驟，并將新的算法與TenSR算法在哥倫比亞大學(xué)的MSI數(shù)據(jù)集上做去噪的對比實驗，驗證了該算法在達到相同甚至較好結(jié)果的情況下，運行速度壓縮了很多；隨后，論文結(jié)合深度學(xué)習(xí)的優(yōu)勢，提出了一種新的基于張量的深度字典學(xué)習(xí)算法(T-GDDL)且給出了其具體的計算步驟，并結(jié)合KNN分類算法，與T-DL算法和其他深度學(xué)習(xí)的DBN和SAE算法做分類的對比實驗，驗證了T-GDDL算法對于MNIST手寫數(shù)據(jù)的分類準

3、確性較高，且運算時間比其他深度模型快；最后，針對現(xiàn)在網(wǎng)絡(luò)信號的時間、空間和屬性的多模態(tài)性，設(shè)計并實現(xiàn)了一個基于張量的網(wǎng)絡(luò)異常檢測系統(tǒng)，利用張量運算對張量的網(wǎng)絡(luò)數(shù)據(jù)進行降維處理，有效減少異常檢測的時間空間復(fù)雜度，同時也提高了異常檢測正確性，有利于維護網(wǎng)絡(luò)安全。將公用數(shù)據(jù)集KDD CUP99做了一定程度的擴展，加以隨機的時間特性，構(gòu)成以時間軸、樣本點和樣本屬性的張量網(wǎng)絡(luò)數(shù)據(jù)，利用文章提出的T-GDDL算法對原始網(wǎng)絡(luò)數(shù)據(jù)特征提取，再使用SVM