基于深度學(xué)習(xí)的數(shù)據(jù)特征的提取與預(yù)測研究.pdf

1、大數(shù)據(jù)時(shí)代的降臨，使得數(shù)據(jù)成為一種珍貴的資源。數(shù)據(jù)中蘊(yùn)藏著許多有用信息，例如疾病傳播規(guī)律、人類行為傾向、市場營銷等等。數(shù)據(jù)預(yù)測作為數(shù)據(jù)挖掘的核心應(yīng)用之一，是開發(fā)利用這種資源的重要手段。數(shù)據(jù)特征常常被用來描述數(shù)據(jù)性質(zhì)和關(guān)系，好的數(shù)據(jù)特征意味著好的預(yù)測結(jié)果。因此，針對具有非線性、不平穩(wěn)和高度不確定性等特點(diǎn)的數(shù)據(jù)，如何提取得到更好的數(shù)據(jù)特征成為一項(xiàng)十分重要且有意義的工作。當(dāng)前存在的特征提取和預(yù)測模型大都是基于淺層學(xué)習(xí)開發(fā)的，這些模型轉(zhuǎn)化的數(shù)據(jù)

2、特征都是基于統(tǒng)計(jì)學(xué)方法計(jì)算得到的，這樣得到的特征不能準(zhǔn)確、有效的表達(dá)樣本數(shù)據(jù)之間的內(nèi)部關(guān)系。
　　深度學(xué)習(xí)理論的發(fā)展離不開大腦視覺系統(tǒng)的仿生學(xué)成果，它采用了深層次的架構(gòu)模型，可以對數(shù)據(jù)樣本進(jìn)行逐層的抽象轉(zhuǎn)化，得到深層次的數(shù)據(jù)特征。由于在數(shù)據(jù)特征的提取和轉(zhuǎn)化上具有強(qiáng)大的優(yōu)勢，它已經(jīng)被廣泛應(yīng)用到圖像識別、語音處理、自然語言表征等領(lǐng)域。因此，本論文從深度學(xué)習(xí)在數(shù)據(jù)特征的提取和預(yù)測方面展開研究，所做的具體工作如下:(1)對時(shí)間序列數(shù)據(jù)進(jìn)行

3、預(yù)測。結(jié)合遞歸神經(jīng)網(wǎng)絡(luò)和受限玻爾茲曼機(jī)網(wǎng)絡(luò)對時(shí)序數(shù)據(jù)處理的優(yōu)勢，構(gòu)建了一個(gè)基于遞歸神經(jīng)網(wǎng)絡(luò)-受限玻爾茲曼機(jī)深層結(jié)構(gòu)的深度學(xué)習(xí)預(yù)測模型，模型的深層結(jié)構(gòu)可以優(yōu)化門診量數(shù)據(jù)的原始特征，通過對比仿真實(shí)驗(yàn)證明了預(yù)測模型的有效性。(2)復(fù)雜網(wǎng)絡(luò)的社團(tuán)劃分算法?；诰W(wǎng)絡(luò)模塊度的社團(tuán)檢測算法中提取到的數(shù)據(jù)特征未包含非線性關(guān)系的問題，為解決該問題，建立了一個(gè)基于深度自編碼網(wǎng)絡(luò)的深度模型，該模型可以通過逐層學(xué)習(xí)轉(zhuǎn)化得到蘊(yùn)含網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中的非線性關(guān)系的數(shù)據(jù)特

4、征。在人造網(wǎng)絡(luò)和真實(shí)網(wǎng)絡(luò)上的仿真實(shí)驗(yàn)說明了該模型提取轉(zhuǎn)化的數(shù)據(jù)特征可以有效的提高社團(tuán)檢測效果。(3)復(fù)雜網(wǎng)絡(luò)的社團(tuán)演化預(yù)測。動(dòng)態(tài)社團(tuán)演化包含了靜態(tài)網(wǎng)絡(luò)的社團(tuán)拓?fù)浣Y(jié)構(gòu)信息和社團(tuán)演化的時(shí)間序列信息，所以本文從社團(tuán)內(nèi)部和外部的角度綜合考慮網(wǎng)絡(luò)演化過程中的社團(tuán)的變化，選擇并優(yōu)化了社團(tuán)演化中社團(tuán)合并的影響因素，然后構(gòu)建了一個(gè)基于深度信念網(wǎng)絡(luò)的社團(tuán)合并預(yù)測模型，該預(yù)測模型可以在通過對所提取的影響因素進(jìn)行學(xué)習(xí)得到具有代表能力的數(shù)據(jù)特征，以此提高預(yù)測的