基于遞歸神經(jīng)網(wǎng)絡(luò)的序列數(shù)據(jù)學(xué)習(xí)方法研究.pdf

1、隨著計(jì)算機(jī)性能的飛速提高以及各種算法層出不窮的出現(xiàn)，計(jì)算機(jī)技術(shù)被應(yīng)用到社會(huì)經(jīng)濟(jì)中的各行各業(yè)。在此背景下，計(jì)算機(jī)技術(shù)在視頻理解，計(jì)算機(jī)音樂(lè)，圖像等序列化數(shù)據(jù)的應(yīng)用中所帶來(lái)的產(chǎn)業(yè)革命越來(lái)越多。傳統(tǒng)的序列數(shù)據(jù)處理方法需要依靠大量的人工特征選取和繁瑣的數(shù)據(jù)預(yù)處理，在不同應(yīng)用領(lǐng)域需要設(shè)計(jì)特定的算法解決特定領(lǐng)域的問(wèn)題，缺乏統(tǒng)一的解決方案，隨著人工智能技術(shù)的飛速發(fā)展，尤其是深度學(xué)習(xí)在學(xué)術(shù)界工業(yè)界取得的巨大進(jìn)展，本文通過(guò)調(diào)研傳統(tǒng)機(jī)器學(xué)習(xí)算法在序列學(xué)習(xí)中

2、的研究現(xiàn)狀，在現(xiàn)有算法基礎(chǔ)上將深度學(xué)習(xí)算法具體應(yīng)用在兩個(gè)序列數(shù)據(jù)處理上。
　　一是基于字符級(jí)長(zhǎng)短期記憶網(wǎng)絡(luò)計(jì)算機(jī)音樂(lè)生成方法，分析了其不同網(wǎng)絡(luò)結(jié)構(gòu)在計(jì)算機(jī)音樂(lè)生成的效果。與現(xiàn)有的方法相比，基于字符級(jí)遞歸神經(jīng)網(wǎng)絡(luò)的音樂(lè)生成算法的優(yōu)點(diǎn)是可以實(shí)現(xiàn)端到端訓(xùn)練，網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單直觀。該方法的一種更為有意義的特征在于，音樂(lè)旋律無(wú)需通過(guò)繁瑣的特征工程來(lái)獲得，而是直接通過(guò)LSTM網(wǎng)絡(luò)的學(xué)習(xí)自動(dòng)獲得。通過(guò)實(shí)驗(yàn)驗(yàn)證發(fā)現(xiàn)，不同LSTM網(wǎng)絡(luò)結(jié)構(gòu)在經(jīng)過(guò)合適的訓(xùn)

3、練之后均能夠生成具有明顯旋律的音樂(lè)序列。
　　二是基于卷積特征的深度遞歸神經(jīng)網(wǎng)絡(luò)視頻行為識(shí)別方法，本文深入分析了卷積神經(jīng)網(wǎng)絡(luò)在視頻圖像內(nèi)容檢測(cè)的應(yīng)用，利用卷積神經(jīng)網(wǎng)絡(luò)在ImageNet大規(guī)模標(biāo)準(zhǔn)數(shù)據(jù)集上訓(xùn)練出來(lái)的模型作為特征提取器，視頻幀圖像所提取的數(shù)據(jù)集可以提取到既能捕獲復(fù)雜場(chǎng)景下分辨力強(qiáng)的特征，又能更好地處理視頻幀圖像的空間特征識(shí)別問(wèn)題。在深度卷積特征基礎(chǔ)上引入遞歸神經(jīng)網(wǎng)絡(luò)串聯(lián)圖像幀特征時(shí)間上的關(guān)系，將視頻的空間特征和時(shí)間特征