面向高維數(shù)據(jù)降維與分類的深度模型構(gòu)建方法研究.pdf

1、不同行業(yè)結(jié)合的綜合性的信息物理系統(tǒng)具有數(shù)據(jù)量大且數(shù)據(jù)維度高等特征，尤其是維度較高的數(shù)據(jù)不僅難以被人們直觀理解，而且也難以被現(xiàn)有的機器學習和數(shù)據(jù)挖掘算法進行有效地處理，因此數(shù)據(jù)降維是處理高維數(shù)據(jù)的一個重要手段，也是特征提取的重要工具。
　　在數(shù)據(jù)降維處理方面，國內(nèi)外眾多學者已經(jīng)有了大量的研究工作，但是在線性和非線性降維領(lǐng)域仍然存在著許多挑戰(zhàn)性的問題。在大量閱讀文獻的基礎(chǔ)上，本文分析了在線性降維和非線性降維中所存在的問題：線性降維算法

2、一般都是在假設(shè)數(shù)據(jù)服從高斯分布的基礎(chǔ)上進行處理，流形學習等非線性降維算法則因為不能給出數(shù)據(jù)降維的顯式映射關(guān)系而使得應用受限。但是，在深度學習中，受限玻爾茲曼機由于具有類神經(jīng)網(wǎng)絡(luò)的記憶聯(lián)想功能和獨有的理論上可以擬合任意分布的能力使得基于其構(gòu)建的深度結(jié)構(gòu)模型可以很好的解決上述問題。
　　本文圍繞數(shù)據(jù)降維問題展開研究，重點對線性降維算法和流形學習非線性降維算法進行研究，針對存在的問題構(gòu)建了基于受限玻爾茲曼機的深度高維數(shù)據(jù)降維模型同時對其

3、進行了結(jié)構(gòu)上的優(yōu)化。本文的主要工作包括以下幾個方面：
　?、賹鹘y(tǒng)的線性降維算法和基于流形學習的非線性降維算法進行了分析與研究，并比較了它們之間的優(yōu)缺點。
　　②對深度學習的基礎(chǔ)構(gòu)造模塊受限玻爾茨曼機進行介紹與分析，其在理論上可以對任意分布的數(shù)據(jù)進行擬合，而且可以將映射關(guān)系保存在可見層與隱含層之間的連接權(quán)值中，因此可以很好解決上述存在的問題。
　?、刍谑芟薏柶澛鼨C構(gòu)建深度高維數(shù)據(jù)降維模型并對其從結(jié)構(gòu)上進行優(yōu)化，同時