首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   4篇
  完全免费   1篇
  一般工业技术   5篇
  2017年   4篇
  2015年   1篇
排序方式: 共有5条查询结果,搜索用时 31 毫秒
1
1.
受限波尔兹曼机   总被引:4,自引:0,他引:4  
受限波尔兹曼机(restricted Boltzmann machines,RBM)是一类具有两层结构、对称连接且无自反馈的随机神经网络模型,层间全连接,层内无连接.近年来,随着RBM的快速学习算法一对比散度的出现,机器学习界掀起了研究RBM理论及应用的热潮.实践表明,RBM是一种有效的特征提取方法,用于初始化前馈神经网络可明显提高泛化能力,堆叠多个RBM组成的深度信念网络能提取更抽象的特征.鉴于RBM的优点及其在深度学习中的广泛应用,本文对RBM的基本模型、学习算法、参数设置、评估方法、变形算法等进行了详细介绍,最后探讨了RBM在未来值得研究的方向.  相似文献
2.
目的 使用深度学习实现情感化设计,满足用户个性化的情感需求,加速传统设计过程,提升用户体验。方法 研究深度学习中可用于情感化设计的算法,使用卷积神经网络(CNN)实现名画复制品的个性化自动生成;抓取互联网数据,使用LSTM模型挖掘用户真实需求,进行当前流行游戏的周边产品设计;以张裕葡萄酒庄旅游纪念品设计为例,使用深度学习基于用户个人信息和行为数据推荐个性化的葡萄酒包装。结论 基于CNN的名画复制品的个性化生成丰富了图像的可修改空间,满足了用户个性化的情感诉求;基于LSTM的用户需求分析高效和准确地反映了用户的真实需求,加速了传统用户调研过程;基于深度学习的旅游纪念品个性化设计进一步提升了用户体验。将深度学习应用于情感化设计有利于挖掘用户内心的真实需求,节省人力物力,满足用户情感诉求和提升用户体验,进一步为设计学与计算机科学的交叉提供了有效方法。  相似文献
3.
针对非限制性条件下的人脸识别存在自由度高、干扰因素复杂等技术难点,引入深度学习理论,提出了一种基于深度信念网络(DBNs)的非限制性人脸识别算法模型.基于相对熵稀疏性限制和dropout机制等方法,设计了优化算法.针对实际使用场合中样本量不足的问题,提出了一种混合DBNs模型,该模型采用CNNs深度卷积网络生成训练DBNs所需的模拟样本.标准人脸库下的实验结果表明,DBNs模型的平均识别率为97.0%,混合DBNs模型的平均识别率为90.3%,满足实际使用需求.  相似文献
4.
给出了大数据和机器学习的子领域——深度学习的概念,阐述了深度学习对获取大数据中的有价值信息的重要作用.描述了大数据下利用图像处理单元(GPU)进行并行运算的深度学习框架,对其中的大规模卷积神经网络(CNN)、大规模深度置信网络(DBN)和大规模递归神经网络(RNN)进行了重点论述.分析了大数据的容量、多样性、速率特征,介绍了大规模数据、多样性数据、高速率数据下的深度学习方法.展望了大数据背景下深度学习的发展前景,指出在不远的将来,大数据与深度学习融合的技术将会在计算机视觉、机器智能等多个领域获得突破性进展.  相似文献
5.
In this paper, we discuss the inextricable link between automating training environment adaptation and deep understanding of the context surrounding specific decisions and actions executed in the performance environment. To enable deep contextual understanding, psychological measurement strategies are needed to more accurately and rapidly model the psychologically meaningful details of the trainee's interactions with events, objects, and people in the training environment. As these interactions often entail complex, nonlinear cue-action relationships, the underlying models must effectively capture the nuance, complexity, and largely intuitive nature of human decision-making. This paper discusses the promise of an emerging field of machine learning – deep neural networks – for supporting this requirement.  相似文献
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号