一種基于張量的深度字典學(xué)習(xí)模型.pdf

1、隨著互聯(lián)網(wǎng)的普及與規(guī)模的持續(xù)增長(zhǎng)，數(shù)據(jù)的刻畫形式越來(lái)越復(fù)雜。傳統(tǒng)的算法大多將數(shù)據(jù)展開成一維向量，再使用基于向量的算法對(duì)數(shù)據(jù)進(jìn)行處理，這樣不僅破壞了數(shù)據(jù)結(jié)構(gòu)，也為后續(xù)深入研究帶來(lái)麻煩，所以為了克服向量化數(shù)據(jù)所帶來(lái)的弊端，基于向量的算法日益被支持張量的運(yùn)算取代。這里提出了一種新的基于張量的深度字典學(xué)習(xí)算法，用以直接處理張量數(shù)據(jù)，提取特征信息。
　　論文首先根據(jù)張量的基本定義中的線性組合特性和卷積平移不變性的特征，提出了一種基于張量的字

2、典學(xué)習(xí)算法(T-DL)且給出了其具體的計(jì)算步驟，并將新的算法與TenSR算法在哥倫比亞大學(xué)的MSI數(shù)據(jù)集上做去噪的對(duì)比實(shí)驗(yàn)，驗(yàn)證了該算法在達(dá)到相同甚至較好結(jié)果的情況下，運(yùn)行速度壓縮了很多；隨后，論文結(jié)合深度學(xué)習(xí)的優(yōu)勢(shì)，提出了一種新的基于張量的深度字典學(xué)習(xí)算法(T-GDDL)且給出了其具體的計(jì)算步驟，并結(jié)合KNN分類算法，與T-DL算法和其他深度學(xué)習(xí)的DBN和SAE算法做分類的對(duì)比實(shí)驗(yàn)，驗(yàn)證了T-GDDL算法對(duì)于MNIST手寫數(shù)據(jù)的分類準(zhǔn)

3、確性較高，且運(yùn)算時(shí)間比其他深度模型快；最后，針對(duì)現(xiàn)在網(wǎng)絡(luò)信號(hào)的時(shí)間、空間和屬性的多模態(tài)性，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于張量的網(wǎng)絡(luò)異常檢測(cè)系統(tǒng)，利用張量運(yùn)算對(duì)張量的網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行降維處理，有效減少異常檢測(cè)的時(shí)間空間復(fù)雜度，同時(shí)也提高了異常檢測(cè)正確性，有利于維護(hù)網(wǎng)絡(luò)安全。將公用數(shù)據(jù)集KDD CUP99做了一定程度的擴(kuò)展，加以隨機(jī)的時(shí)間特性，構(gòu)成以時(shí)間軸、樣本點(diǎn)和樣本屬性的張量網(wǎng)絡(luò)數(shù)據(jù)，利用文章提出的T-GDDL算法對(duì)原始網(wǎng)絡(luò)數(shù)據(jù)特征提取，再使用SVM