基于支持向量機(jī)與概率輸出網(wǎng)絡(luò)的深度學(xué)習(xí).pdf

1、深度學(xué)習(xí)是能夠自動(dòng)提取特征并且實(shí)現(xiàn)對(duì)無標(biāo)簽樣本學(xué)習(xí)的深層算法。盡管訓(xùn)練好的深層網(wǎng)絡(luò)能夠提供良好的性能，但是學(xué)習(xí)算法的超參數(shù)需要精確的配置以及人工確定。支持向量機(jī)本質(zhì)上是淺層結(jié)構(gòu)，無法自動(dòng)提取表征數(shù)據(jù)的抽象特征。因此在保持支持向量機(jī)自身優(yōu)勢(shì)的同時(shí)，研究具有自動(dòng)提取數(shù)據(jù)內(nèi)部結(jié)構(gòu)特征的能力具有重要的理論意義和實(shí)踐意義。
　　針對(duì)分類問題，論文利用深度學(xué)習(xí)的深層結(jié)構(gòu)、支持向量機(jī)的結(jié)構(gòu)風(fēng)險(xiǎn)最小化以及概率輸出網(wǎng)絡(luò)中的條件概率估計(jì)等特點(diǎn)，建立了

2、多層支持向量機(jī)結(jié)構(gòu)。其中核參數(shù)的選擇域呈網(wǎng)格狀，通過求取正負(fù)兩種類別對(duì)應(yīng)β分布的累積概率分布和經(jīng)驗(yàn)累積概率分布的K-S統(tǒng)計(jì)求取一致性的p值乘積最大對(duì)應(yīng)的核參數(shù)作為支持向量機(jī)模型的核參數(shù)。對(duì)應(yīng)的輸出為模型提取的特征，作為下一層的輸入，直至模型達(dá)到結(jié)束條件為止。最后通過三個(gè)常用的分類數(shù)據(jù)集對(duì)所提模型進(jìn)行了實(shí)驗(yàn)驗(yàn)證和分析。
　　針對(duì)回歸問題，論文利用深度學(xué)習(xí)的深層結(jié)構(gòu)、支持向量機(jī)的結(jié)構(gòu)風(fēng)險(xiǎn)最小化以及概率輸出網(wǎng)絡(luò)中的條件概率估計(jì)等特點(diǎn)，建