基于强化学习的网络学习的搜索

发布时间：2021-05-18 13:27

　　目前人工智能浪潮席卷全球,开始在各个方面改变人们的生活。深度学习作为人工智能中比较重要的一项技术,发挥着重要的作用。神经网络的结构和参数是深度学习最关键的基石,针对不同的应用场景设计不同的网络结构,并通过反向传播算法调整网络的参数是目前通用的方法。然而,设计一个合适的网络结构需要算法工程师们耗费大量的心血,通过大量的实验进行验证,这是一个耗时耗力的过程。通过人工智能技术设计深度学习网络并调整参数是解决这一问题的有效方案。本文中介绍了一种通过深度强化学习自动搜索网络结构,并调整其参数的方案。这种方法可以有效地减少人工的消耗,节约了大量的人力物力,是一种真正智能的方案。 

【文章来源】：电子制作. 2019,(24)

【文章页数】：3 页

【文章目录】：
0 引言
1 模型
    1.1 强化学习
    1.2 RNN
    1.3 应用过程
2 结论


【参考文献】：
期刊论文
[1]基于强化学习的自动化神经网络设计[J]. 谢浩,蒋育康,焦润泽.  信息技术与信息化. 2018(10)
[2]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生.  北京航空航天大学学报. 2018(04)
[3]改进的基于卷积神经网络的图像超分辨率算法[J]. 肖进胜,刘恩雨,朱力,雷俊锋.  光学学报. 2017(03)
[4]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安.  自动化学报. 2016(09)
[5]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川.  数据采集与处理. 2016(01)
[6]基于神经网络的强化学习研究概述[J]. 尤树华,周谊成,王辉.  电脑知识与技术. 2012(28)
[7]基于循环神经网络的语音识别模型[J]. 朱小燕,王昱,徐伟.  计算机学报. 2001(02)
[8]强化学习理论、算法及应用[J]. 张汝波,顾国昌,刘照德,王醒策.  控制理论与应用. 2000(05)
[9]一种基于Agent团队的强化学习模型与应用研究[J]. 蔡庆生,张波.  计算机研究与发展. 2000(09)
[10]RNN神经网络的应用研究[J]. 朱群雄,孙锋.  北京化工大学学报(自然科学版). 1998(01)



本文编号：3193872