一种基于Ontology的深度信念网络模型及其生成方法技术

本发明专利技术提供一种基于Ontology的深度信念网络模型及其生成方法。本发明专利技术试图将本体论和深度信念网络结合起来，形成一个新的模型。本体中最重要的关系之一是本体的层次结构。表达深度学习节点属性和函数转换使用本体的概念属性和分类关系。本发明专利技术在这里建立的深度信念网络模型只使用本体概念的亲子关系。同时，本发明专利技术选择自下而上构建本体，这样，本发明专利技术可以最大限度地训练深度信念网络模型，而不会影响本体节点的表示。

An ontology based deep belief network model and its generation method

【技术实现步骤摘要】
一种基于Ontology的深度信念网络模型及其生成方法
本专利技术涉及网络模型
，尤其涉及一种基于Ontology的深度信念网络模型及其生成方法。
技术介绍
深度信念网络(DeepBeliefNetwork，DBN)由GeoffreyHinton在2006年提出。DBN建立了观察数据和标签之间的联合分布，与传统判别模型的神经网络不同，是一种概率生成模型。使用DBN不仅可以实现特征识别、数据分类，还可以用它来生成数据，目前已被广泛运用到人脸识别、语音识别、医学图像识别、气体识别、电力系统绝缘子故障识别等领域。DBN网络模型结构的变化很多，有已经成功运用的连续玻尔兹曼机模型，如mcRBM、mPoT模型和Spike-and-slabRBM等。但现有的DBN网络模型仍然存在很多缺点，比如复杂性高，正确识别率低，小样本情况下泛化性差等。对DBN网络结构进行改进，从而提高系统性能是DBN模型结构研究的首要方向。
技术实现思路
有鉴于此，本专利技术提供基于Ontology的深度信念网络模型及其生成方法。本申请是通过如下技术方案实现的：一种基于Ontology的深度信念网络DBN模型生成方法，所述本文档来自技高网...

【技术保护点】
1.一种基于Ontology的深度信念网络DBN模型生成方法，其特征在于，所述DBN模型包括神经元水平、显层、至少一个隐藏层以及BP反向传播层；所述生成方法包括如下步骤：步骤1，将子类层次结构中的顶级类r添加到构建序列集Sc中，其中，C为概念集，c∈C，并且c∈Sc，r∈C；步骤2，为概念c的表示学习构建RBM模块D，对于本体O的顶级类r，RBM模块仅将其自身的特征作为输入，对于其他类概念c，RBM模块D从其自身特征和来自其超类模块Dc的变换表示中获取输入；步骤3，在确定的本体O的基础上构建基于Ontology的DBN模型，所述DBN模型包括多层受限Boltzmann机器和反向传播BP神经网络...

【技术特征摘要】
1.一种基于Ontology的深度信念网络DBN模型生成方法，其特征在于，所述DBN模型包括神经元水平、显层、至少一个隐藏层以及BP反向传播层；所述生成方法包括如下步骤：步骤1，将子类层次结构中的顶级类r添加到构建序列集Sc中，其中，C为概念集，c∈C，并且c∈Sc，r∈C；步骤2，为概念c的表示学习构建RBM模块D，对于本体O的顶级类r，RBM模块仅将其自身的特征作为输入，对于其他类概念c，RBM模块D从其自身特征和来自其超类模块Dc的变换表示中获取输入；步骤3，在确定的本体O的基础上构建基于Ontology的DBN模型，所述DBN模型包括多层受限Boltzmann机器和反向传播BP神经网络。2.根据权利要求1所述的深度信念网络DBN模型生成方法，其特征在于，在所述步骤3中，构建基于Ontology的DBN模型，具体包括：步骤301，将本体O视为一个树，在树中每一层的非根节点上搭建受限玻尔兹曼机模型，反向传播BP神经网络建立在根节点上；步骤302，在确定DBN模型的网络结构之后，将训练样本集用于训练，并获得DBN模型的神经元之间的权重和偏移；步骤303，使用训练模型预测测试样本集的输入变量，并判断预测值与DBN模型真实值之间的误差。3.根据权利要求2所述的深度信念网络DBN模型生成方法，其特征在于，所述受限玻尔兹曼机负责无监督学习，数据特征通过受限制的玻尔兹曼机器的逐层...

【专利技术属性】
技术研发人员：张良，刘秀磊，刘旭红，丁嘉伟，孔凡芃，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京,11