基于深度置信网络的广告点击率预估的优化

随着互联网广告的飞速发展,如何预测目标用户对互联网广告的点击率（click-through rate,简称CTR）,成为精确广告推荐投放的关键技术,并成为计算广告领域的研究热点和深度神经网络的应用热点.为了提高广告点击率预估的精确度,提出了基于深度置信网络的广告点击率预估模型,并通过基于Kaggle数据挖掘平台数据集的1 000万条随机数据的实验,研究不同的隐藏层层数和隐含节点数目对预测结果的影响.为了解决深度置信网络在数据规模较大的工业界解决方案中的训练效率问题,通过实验证明：广告点击率预估中,深度置信网络的损失函数存在大量的驻点,并且这些驻点对网络训练效率有极大的影响.为了提高模型效率,从发掘网络损失函数特性入手,进一步提出了基于随机梯度下降算法和改进型粒子群算法的融合算法,以优化网络训练.融合算法在迭代步长小于阈值时可以跳出驻点平面,继续正常迭代.实验结果表明,与传统的基于梯度提升决策树和逻辑回归的广告点击率预估模型以及模糊深度神经网络模型相比,基于深度置信网络的预估模型具有更好的预估精度,在均方误差、曲线下面积和对数损失函数指标上分别提升2.39%,9.70%,2.46%和1.24%,7.61%,1.30%;使用融合方法训练深度置信网络,训练效率提高30%~70%.     

一种具有高PSRR的分段温度补偿带隙基准

基于华虹0.18μm BCD工艺,设计了一种具有高PSRR的分段温度补偿带隙基准。电路采用5 V电源进行供电,基准输出电压为1.256 V。仿真结果表明,在-45～125℃的温度范围内,TT工艺角下,传统结构的温漂系数只能达到2.048×10^-5/℃。采用新型分段温度补偿的带隙基准的温漂系数为3.631×10^-6/℃,相比传统结构,温度系数降低了82.3%。静态功耗为220μW。PSRR在低频可达到-102 dB,在350 kHz处有最差PSRR,但仍有-30 dB。该带隙基准适用于高精度、大电流开关电源的模拟集成电路。