二型模糊深度信念網絡的研究與應用.pdf

1、隨著數據的海量增長，對海量數據的智能分析和預測，在社會生活中扮演著越來越重要的角色。因此出現了各種各樣的智能數據分析和預測系統。這類系統主要包括數據采集模塊、降維模塊和預測模塊等，其中降維模塊可以對采集數據進行處理，降低數據中存在的干擾因素和預測模塊的計算復雜度，預測模塊則利用降維特征進行預測。然而，大多數智能數據分析系統中，降維模塊和預測模塊是獨立構建的，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絡。深度信念網絡廣泛地被用作降維模塊，利用深度信念網絡，可以逐層地學習數據的有效特征，降低原始數據中的噪聲、非線性和非相關信息，從而有效地提高預測模塊的精度。經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能有效處理這些性質，因此采用二型模糊邏輯系統作為預測模型。本文進行的工作主要如下：
　　1.采用深度信念網絡進行特征提取。深度信念網絡的訓練過程主要包括：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)督的預訓練，以獲得較優(yōu)的權值；采用反向傳播算法對整個網絡進行有監(jiān)督的微調。在樣本標簽難以獲取的情況下，進行深度信念網絡的微調時，可以僅采用部分帶標簽的數據，因此深度信念網絡可以作為一種半監(jiān)督的特征提取方法。構建好深度信念網絡之后，即可將樣本輸入到網絡，進行特征提取。
　　2.采用區(qū)間二型模糊邏輯系統進行預測。利用二型模糊邏輯系統進行預測時，需要進行輸入空間的劃分，生成相關的規(guī)則，構建初始模型。模糊

4、邏輯系統是由若干條規(guī)則組成，它可以更細致地對提取特征進行處理。和大多數的建模方法相比，區(qū)間二型模糊邏輯系統的顯著優(yōu)勢是能夠對預測進行區(qū)間表示。
　　3.采用反向傳播算法對整個網絡進行微調。降維模塊和預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進行微調之后，然后采用反向傳播算法對深度信念網絡部分進行微調，以改善二者之間的匹配度。
　　4.對二型模糊深度信念網絡在實際球磨機運行數據上進行了驗證。首先進行了