一种能对特征进行自主决策的无监督学习算法制造技术

本发明专利技术公开了一种能对特征进行自主决策的无监督学习算法，用于解决传统DBN本身的分类决策能力较弱的问题。本发明专利技术将DBN同决策树算法结合起来，组成具备自主决策能力的ADDBN(Autonomous DecidingDeep Belief Networks)算法。该算法首先利用深度置信网络对原始数据进行处理，提取出优化后的特征，随后利用决策树算法对提取出来的特征进行进一步分类处理，最终得到分类结果。ADDBN算法既能够保留原始特征的属性并获取更利于分类的特征，同时也能对特征进行自主决策。所述的ADDBN算法既能够保留原始特征的属性并获取更利于分类的特征，同时也能对特征进行自主决策。

【技术实现步骤摘要】

本专利技术涉及信息，具体讲是一种基于自主学习理论，对现有的深度置信网络进行了改进的addbn算法。

技术介绍

1、深度置信网络(deep belief networks，dbn)是由多层rbm组成，通常第一层为可见层，其余为隐含层。可见层作为输入接受层，用来接收输入信号，然后再将信号传输到隐藏层进行处理，隐藏层的层数是不固定的，由所处理数据的规模大小决定。一般来说，可见层和第一个隐藏层构成第一个rbm，第一个隐藏层和第二个隐藏层构成第二个rbm，依次连接，保证同层神经元无连接，层与层之间全连接。多个rbm组合可以提取出更合适更利于分类的特征，并最终将提取的特征数据输出。但dbn对优化后的特征缺乏好的分类处理能力。

技术实现思路

1、因此，为了解决上述不足，本专利技术在此提供一种能对特征进行自主决策的无监督学习算法；本专利技术所要解决的技术问题是：传统dbn本身的分类决策能力较弱。

2、本专利技术是这样实现的，构造一种能对特征进行自主决策的addbn算法，其特征在于；所述addbn算法既能够保留原始本文档来自技高网...

【技术保护点】

1.一种能对特征进行自主决策的无监督学习算法，其特征在于；所述算法既能够保留原始特征的属性并获取更利于分类的特征，同时也能对特征进行自主决策，所述ADDBN的步骤如下：

2.根据权利要求1所述一种能对特征进行自主决策的无监督学习算法，其特征在于；其中在DBN模块中，最为核心的是RBM的迭代过程：

【技术特征摘要】

1.一种能对特征进行自主决策的无监督学习算法，其特征在于；所述算法既能够保留原始特征的属性并获取更利于分类的特征，同时也能对特征进行自主决策，所述addb...

【专利技术属性】
技术研发人员：邢建川，陈洋，周春文，曾凤，付鱼，辛旺，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：