%0 Journal Article %A Xiao-Wei Song %A 潘丹 %A 曾安 %A 张艺楠 %T 基于稀疏降噪自编码器的深度置信网络 %D 2017 %R 10.11772/j.issn.1001-9081.2017.09.2585 %J 计算机应用 %P 2585-2589 %V 37 %N 9 %X 传统的深度置信网络(DBN)采用随机初始化受限玻尔兹曼机(RBM)的权值和偏置的方法初始化网络。虽然这在一定程度上克服了由BP算法带来的易陷入局部最优和训练时间长的问题,但随机初始化仍然会导致网络重构和原始输入的较大差别,这使得网络无论在准确率还是学习效率上都无法得到进一步提升。针对以上问题,提出一种基于稀疏降噪自编码器(SDAE)的深度网络模型,其核心是稀疏降噪自编码器对数据的特征提取。首先,训练稀疏降噪自编码;然后,用训练后得到的权值和偏置来初始化深度置信网络;最后,训练深度置信网络。在Poker Hand 纸牌游戏数据集和MNIST、USPS手写数据集上测试模型性能,在Poker Hand数据集下,方法的误差率比传统的深度置信网络降低46.4%,准确率和召回率依次提升15.56%和14.12%。实验结果表明,所提方法能有效地改善模型性能。 %U http://www.joca.cn/CN/10.11772/j.issn.1001-9081.2017.09.2585