基于深度学习反向传播的稀疏数据特征提取

基于深度学习反向传播的稀疏数据特征提取
秦利娟;冯乃勤
【期刊名称】《计算机仿真》
【年(卷),期】2022(39)5
【摘要】针对如何有效利用互联网数据中蕴藏的大量文本数据信息,提出了基于深度学习反向传播的稀疏数据特征提取方法。

首先将稀疏数据体系分别建立在Web 和分散式社会网络上,在初始链路模型下可以得出稀疏数据的拓扑模型,通过对相空间的重构提高稀疏数据特征提取的能力,并采用数据的时隙分配模式,对稀疏数据的属性混合值进行迭代处理。

然后通过有/无标签数据完成对深度学习和Softmax回归模型的训练,在训练中采用最小化代价函数对模型的参数进行修正,结合深度学习算法提取稀疏数据的特征量,求出稀疏数据中时隙分配的信任值。

最后通过反向传播算法将学习网络中的残差传输到输入层中,根据误差减小最快的方向对加权系数进行调整,直到获取最佳的加权系数为止。

实验结果表明,算法与梯度下降算法相比具有更高的准确率,并且针对不同的数据集误差率都很小,明显提高了数据的分类提取能力。

【总页数】5页(P333-336)
【作者】秦利娟;冯乃勤
【作者单位】郑州工业应用技术学院信息工程学院;河南师范大学
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于深度学习的高维稀疏数据组合推荐算法
2.基于进化深度学习的建筑室内空间布局特征提取方法
3.基于深度学习的流场时程特征提取模型
4.基于多特征提取与注意力机制深度学习的高分辨率影像松材线虫病树识别
5.基于深度学习特征提取的改进ORB-SLAM3算法
因版权原因，仅展示原文概要，查看原文内容请购买。