深度置信网络优化模型在人才评价中的应用

发布时间：2022-12-23 03:11

　　针对深度置信网络（DBN）权值随机初始化容易使网络陷入局部最优的问题,引入改进的和声搜索（IHS）算法,提出基于IHS的DBN模型（IHS-DBN）。在和声搜索算法的基础上,利用全局自适应的和声音调调整方式,提升算法收敛速度和后期局部搜索能力。将DBN重构误差函数作为IHS算法的优化目标函数,通过不断迭代优化解向量为DBN寻找一组较优的初始权值进行网络训练,并在MNIST数据集上验证IHS-DBN模型的有效性。IHS-DBN模型在高校人才评价中的应用结果表明,与DBN、SVM和BP神经网络评价模型相比,IHS-DBN模型的评价准确率分别提高3.6%、7.3%和16.4%。 

【文章页数】：9 页

【文章目录】：
0 概述
1 基础理论
    1.1 深度置信网络
        1.1.1 受限玻尔兹曼机
        1.1.2 BP神经网络
    1.2 和声搜索算法
2 基于IHS算法的深度置信网络模型
    2.1 改进的和声搜索算法
    2.2 IHS-DBN模型原理
    2.3 模型性能验证
        2.3.1 实验参数设置
        2.3.2 实验结果
3 IHS-DBN在高校人才评价中的应用
    3.1 指标体系构建
    3.2 数据获取与处理
    3.3 实验结果与分析
        3.3.1 性能指标
        3.3.2 网络结构设置与分析
        3.3.3 结果分析
4 结束语


【参考文献】：
期刊论文
[1]基于自适应学习率的深度信念网设计与应用[J]. 乔俊飞,王功明,李晓理,韩红桂,柴伟.  自动化学报. 2017(08)
[2]基于HS-BP神经网络的认知无线电频谱预测技术[J]. 胡翩翩,曾碧卿.  计算机工程. 2017(07)
[3]深度置信网络在极化SAR图像分类中的应用[J]. 邓磊,付姗姗,张儒侠.  中国图象图形学报. 2016(07)
[4]一种基于胶质细胞链的改进深度信念网络模型[J]. 耿志强,张怡康.  自动化学报. 2016(06)
[5]基于自适应深度置信网络的图像分类方法[J]. 杨春德,张磊.  计算机工程与设计. 2015(10)
[6]基于深度学习的作曲家分类问题[J]. 胡振,傅昆,张长水.  计算机研究与发展. 2014(09)
[7]基于模糊神经网络的高层次创新型科技人才的评价[J]. 陈苏超,薛晔.  太原理工大学学报. 2014(03)



本文编号：3724593