一种矩阵变量RBM的识别方法技术

本发明专利技术公开了一种矩阵变量RBM的识别方法，其大大降低训练和推导的计算复杂度，在训练和测试过程中保持了2D矩阵数据中的空间信息同时在重构过程中得到良好的效果，可以应用于更复杂的数据结构。该方法包括步骤：(1)训练阶段：根据公式(4)的矩阵变量RBM进行样本训练其中为二进制可见层矩阵变量，为二进制隐含层矩阵变量，Θ表示所有的模型参数U,V,B和C，归一化常量Z(Θ)定义为其中x，y表示X和Y的二进制取值空间；(2)分类阶段：将隐含层矩阵变量进行向量化，应用K-NN方法进行训练，根据残差最小为测试图像分类。

【技术实现步骤摘要】

本专利技术属于模式识别的
，具体地涉及一种矩阵变量RBM的识别方法。
技术介绍
布尔斯曼机BoltzmannMachine(BM)是一种重要的随机神经网络，由Hinton和Sejnowski在1985年提出。但由于传统的布尔斯曼机变量单元没有连接关系的约束导致不能有效的在机器学习中得到应用。为了构建一个可以应用于实际的模型，Hinton提出了一个称为限制布尔斯曼机的模型结构，在这个模型中，仅仅可见层单元和隐含层单元之间存在连接关系。当隐含层和可见层单元之间受到限制时，RBM(RestrictedBoltzmannMachine，受限布尔斯曼机)模型可以被看成拥有二值变量的概率模型。最近几年，RBMs由于其强大的特征提取和表达能力，已经广泛应用于模式识别和机器学习领域。给定一些训练数据，训练RBM模型的目标就是学习可见层和隐含层直接的权值，使得由RBM表示的概率分布尽可能适应于所有的训练样本。一个训练好的RBM模型可以根据训练数据得到的概率分布提供输入数据有效的表示。经典的RBM模型主要描述的是基于向量形式的输入数据或变量。然而，来源于现代科技中的数据更多的是较为一般的结构。比如，数字图像就是2维矩阵，矩阵中包含了空间信息。为了是经典的RBM可以应用到诸如2D图像的数据，传统的方法就是把2D数据向量化处理。但不幸的是，这样处理不仅破坏了高价图像内部结构，导致损失了结构中隐藏的交互信息，而且由于可见层和隐含层之间的全连接，导致了模型参数的增加。
技术实现思路
本专利技术的技术解决问题是：克服现有技术的不足，提供一种矩阵变量RBM的识别方法，其大大降低训练和推导的计算复杂度，在训练和测试过程中保持了2D矩阵数据中的空间信息同时在重构过程中得到良好的效果，可以应用于更复杂的数据结构。本专利技术的技术解决方案是：这种矩阵变量RBM的识别方法，该方法包括以下步骤：(1)训练阶段：根据公式(4)的矩阵变量RBM进行样本训练p(X,Y;Θ)=1Z(Θ)exp{-E(X,Y;Θ)本文档来自技高网...

【技术保护点】
一种矩阵变量RBM的识别方法，其特征在于，该方法包括以下步骤：(1)训练阶段：根据公式(4)的矩阵变量RBM进行样本训练p(X,Y;Θ)=1Z(Θ)exp{-E(X,Y;Θ)}---(4)]]>其中为二进制可见层矩阵变量，为二进制隐含层矩阵变量，Θ表示所有的模型参数U,V,B和C，归一化常量Z(Θ)定义为其中表示X和Y的二进制取值空间为模型权值矩阵，为可见层和隐含层对应的偏置矩阵；(2)分类阶段：将隐含层矩阵变量进行向量化，应用K‑NN方法进行训练，根据残差最小为测试图像分类。

【技术特征摘要】
1.一种矩阵变量RBM的识别方法，其特征在于，该方法包括以下步骤：
(1)训练阶段：根据公式(4)的矩阵变量...

【专利技术属性】
技术研发人员：齐光磊，孙艳丰，胡永利，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11