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

1、深度學(xué)習(xí)是能夠自動提取特征并且實現(xiàn)對無標簽樣本學(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。支持向量機本質(zhì)上是淺層結(jié)構(gòu)，無法自動提取表征數(shù)據(jù)的抽象特征。因此在保持支持向量機自身優(yōu)勢的同時，研究具有自動提取數(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踐意義。
　　針對分類問題，論文利用深度學(xué)習(xí)的深層結(jié)構(gòu)、支持向量機的結(jié)構(gòu)風(fēng)險最小化以及概率輸出網(wǎng)絡(luò)中的條件概率估計等特點，建立了

2、多層支持向量機結(jié)構(gòu)。其中核參數(shù)的選擇域呈網(wǎng)格狀，通過求取正負兩種類別對應(yīng)β分布的累積概率分布和經(jīng)驗累積概率分布的K-S統(tǒng)計求取一致性的p值乘積最大對應(yīng)的核參數(shù)作為支持向量機模型的核參數(shù)。對應(yīng)的輸出為模型提取的特征，作為下一層的輸入，直至模型達到結(jié)束條件為止。最后通過三個常用的分類數(shù)據(jù)集對所提模型進行了實驗驗證和分析。
　　針對回歸問題，論文利用深度學(xué)習(xí)的深層結(jié)構(gòu)、支持向量機的結(jié)構(gòu)風(fēng)險最小化以及概率輸出網(wǎng)絡(luò)中的條件概率估計等特點，建