二型模糊深度信念網(wǎng)絡(luò)的研究與應(yīng)用.pdf

1、隨著數(shù)據(jù)的海量增長，對海量數(shù)據(jù)的智能分析和預(yù)測，在社會生活中扮演著越來越重要的角色。因此出現(xiàn)了各種各樣的智能數(shù)據(jù)分析和預(yù)測系統(tǒng)。這類系統(tǒng)主要包括數(shù)據(jù)采集模塊、降維模塊和預(yù)測模塊等，其中降維模塊可以對采集數(shù)據(jù)進行處理，降低數(shù)據(jù)中存在的干擾因素和預(yù)測模塊的計算復(fù)雜度，預(yù)測模塊則利用降維特征進行預(yù)測。然而，大多數(shù)智能數(shù)據(jù)分析系統(tǒng)中，降維模塊和預(yù)測模塊是獨立構(gòu)建的，二者之間可能存在一定的不匹配性。本文從降維模塊和預(yù)測模塊之間存在的不匹配性入手，

2、提出了一種新的計算框架——二型模糊深度信念網(wǎng)絡(luò)。深度信念網(wǎng)絡(luò)廣泛地被用作降維模塊，利用深度信念網(wǎng)絡(luò)，可以逐層地學(xué)習數(shù)據(jù)的有效特征，降低原始數(shù)據(jù)中的噪聲、非線性和非相關(guān)信息，從而有效地提高預(yù)測模塊的精度。經(jīng)過降維處理后的特征，仍然存在隨機性和不確定性。而二型模糊邏輯系統(tǒng)能有效處理這些性質(zhì)，因此采用二型模糊邏輯系統(tǒng)作為預(yù)測模型。本文進行的工作主要如下：
　　1.采用深度信念網(wǎng)絡(luò)進行特征提取。深度信念網(wǎng)絡(luò)的訓(xùn)練過程主要包括：利用對比散度

3、算法逐層地對受限玻爾茲曼機進行無監(jiān)督的預(yù)訓(xùn)練，以獲得較優(yōu)的權(quán)值；采用反向傳播算法對整個網(wǎng)絡(luò)進行有監(jiān)督的微調(diào)。在樣本標簽難以獲取的情況下，進行深度信念網(wǎng)絡(luò)的微調(diào)時，可以僅采用部分帶標簽的數(shù)據(jù)，因此深度信念網(wǎng)絡(luò)可以作為一種半監(jiān)督的特征提取方法。構(gòu)建好深度信念網(wǎng)絡(luò)之后，即可將樣本輸入到網(wǎng)絡(luò)，進行特征提取。
　　2.采用區(qū)間二型模糊邏輯系統(tǒng)進行預(yù)測。利用二型模糊邏輯系統(tǒng)進行預(yù)測時，需要進行輸入空間的劃分，生成相關(guān)的規(guī)則，構(gòu)建初始模型。模糊

4、邏輯系統(tǒng)是由若干條規(guī)則組成，它可以更細致地對提取特征進行處理。和大多數(shù)的建模方法相比，區(qū)間二型模糊邏輯系統(tǒng)的顯著優(yōu)勢是能夠?qū)︻A(yù)測進行區(qū)間表示。
　　3.采用反向傳播算法對整個網(wǎng)絡(luò)進行微調(diào)。降維模塊和預(yù)測模塊之間存在一定的不匹配性。在利用反向傳播算法對二型模糊邏輯系統(tǒng)進行微調(diào)之后，然后采用反向傳播算法對深度信念網(wǎng)絡(luò)部分進行微調(diào)，以改善二者之間的匹配度。
　　4.對二型模糊深度信念網(wǎng)絡(luò)在實際球磨機運行數(shù)據(jù)上進行了驗證。首先進行了