基于CRBM算法的时间序列预测模型研究

被引：9

作者：

周晓莉 ^{[1
,2
]}

张丰 ^{[1
,2
]}

杜震洪 ^{[1
,2
]}

曹敏杰 ^{[1
,2
]}

刘仁义 ^{[1
,2
]}

机构：

[1] 浙江大学浙江省资源与环境信息系统重点实验室

[2] 浙江大学地球科学学院

来源：

浙江大学学报(理学版) | 2016年 / 43卷 / 04期

关键词：

受限玻尔兹曼机; CRBM深度建模; 深度信念网络模型; 高斯分布;

D O I：

暂无

中图分类号：

O211.61 [平稳过程与二阶矩过程];

学科分类号：

摘要：

针对受限玻尔兹曼机(restricted Boltzmann machines,RBM)算法对时序数据预测存在抽取抽象特征向量能力较差和梯度下降能力有限的问题,基于CRBM(conditional restricted Boltzmann machines)算法以及信念网络(deep belief network,DBN)模型,构建了一种非线性的CRBM-DBN深度学习模型,并采用高斯分布处理输入特征值和对比散度抽样,用于预测时序数据.实验以浙江省近岸海域赤潮时序数据作为输入特征值,讨论该模型的深度及参数选取,并与经典的深度学习模型RBM、DAE和浅层学习中的BP神经网络进行对比,实验验证CRBM对于赤潮时序数据的预测拟合度要明显优于其他3种模型,该模型可有效用于赤潮类时序数据的趋势性预测.

引用

页码：442 / 451

页数：10

共 7 条

[1] 基于深度信念网络的文本分类算法
陈翠平
[J]. 计算机系统应用, 2015, 24 (02) : 121 - 126
[2] 玻尔兹曼机研究进展
刘建伟
刘媛
罗雄麟
[J]. 计算机研究与发展, 2014, (01) : 1 - 16
[3] 基于深度信念网络的变速器故障分类识别研究[D]. 单外平.华南理工大学. 2015
[4] A review of unsupervised feature learning and deep learning for time-series modeling[J] . Martin L?ngkvist,Lars Karlsson,Amy Loutfi.Pattern Recognition Letters . 2013
[5] Time series forecasting using a deep belief network with restricted Boltzmann machines[J] . Takashi Kuremoto,Shinsuke Kimura,Kunikazu Kobayashi,Masanao Obayashi.Neurocomputing . 2013
[6] To recognize shapes, first learn to generate images[J] . Geoffrey E. Hinton.Progress in Brain Research . 2007
[7] Model-ing Human Motion Using Binary Latent Variables .2 TAYLOR G W,HINTON G E,ROWEIS S T. Advances in Neural Information Processing Systems . 2007

← 1 →