宋娟，倪志伟，李萍，伍章俊，彭鹏

1. 合肥工业大学管理学院, 合肥 230009; 2. 合肥工业大学过程优化与智能决策教育部重点实验室, 合肥 230009 3. 阜阳师范学院信息工程学院, 阜阳 236041;4.北方民族大学, 银川 750021

出版日期:2020-09-25发布日期:2020-11-16

Haze Prediction Model Based on Parameter-Optimized Deep Belief Networks

SONG Juan, NI Zhiwei, LI Ping, WU Zhangjun, PENG Peng

1. School of Management, Hefei University of Technology, Hefei 230009; 2. Key Laboratory of Process Optimization and Intelligent Decision-Making, Ministry of Education, Hefei 230009; 3. School of Information Engineering, Fuyang Normal University, Fuyang 236041; 4. North Minzu University, Yinchuan 750021

Online:2020-09-25Published:2020-11-16







摘要
图/表
参考文献
相关文章
编辑推荐
-->Metrics
本文评论

深度置信网络(DBN)是一种常用的深度学习模型, 在雾霾预测 领域得到了广泛的应用. 然而, 利用传统的DBN进行雾霾预测时, 无监 督学习阶段各节点的连接权值和节点阈值的随机初始化会导致学习速度 慢、容易陷入局部最优等问题. 为此, 文章提出了基于参数优化深度 置信网络的雾霾预测模型. 首先, 构建融合多种变异策略的改进人工蜂群算法(IABC), 从理论上证明了算法的有效性, 并利用6个标准测试函数验证了其收敛速度和寻优精度优于其他人工蜂群算法; 其次, 将IABC算法用于DBN的连接权值和节点阈值的参数寻优, 通过DBN的无监督特征学习和有监督微调, 建立基于参数优化深度置信网络(PODBN)的预测模型; 最后, 利用雾霾数据集和UCI标准数据集验证了该预测模型的有效性, 实验结果表明该模型的预测精度和稳定性优于传统的DBN、FA-DBN及PSO-DBN等模型.

分享此文:

()

[1]	孙越泓, 江雪, 徐鑫, 肖克炼. 基于分享学习和柯西变异的多目标人工蜂群算法[J]. 系统科学与数学, 2019, 39(7): 1031-1053.
[2]	贾凯，倪志伟，李敬明，陆玉佳，朱旭辉. 基于改进二进制人工蜂群的BP神经网络并行集成学习算法及其应用研究[J]. 系统科学与数学, 2019, 39(3): 477-494.
[3]	谢福鼎，雷存款，李芳菲，嵇敏. 基于模糊c均值算法和人工蜂群算法的无监督波段选择[J]. 系统科学与数学, 2018, 38(12): 1417-1428.
[4]	王丝丝，张敬磊，陈慈，张洪宾，马春杰. 基于方差与改进群智能算法的$K$-means聚类优化[J]. 系统科学与数学, 2018, 38(10): 1117-1127.
[5]	段渊. 一种新的多目标人工蜂群算法[J]. 系统科学与数学, 2016, 36(1): 93-106.

-->

PDF全文下载地址:

http://sysmath.com/jweb_xtkxysx/CN/article/downloadArticleFile.do?attachType=PDF&id=13970