基于深度學習的數(shù)據(jù)特征的提取與預測研究.pdf

1、大數(shù)據(jù)時代的降臨，使得數(shù)據(jù)成為一種珍貴的資源。數(shù)據(jù)中蘊藏著許多有用信息，例如疾病傳播規(guī)律、人類行為傾向、市場營銷等等。數(shù)據(jù)預測作為數(shù)據(jù)挖掘的核心應用之一，是開發(fā)利用這種資源的重要手段。數(shù)據(jù)特征常常被用來描述數(shù)據(jù)性質(zhì)和關系，好的數(shù)據(jù)特征意味著好的預測結果。因此，針對具有非線性、不平穩(wěn)和高度不確定性等特點的數(shù)據(jù)，如何提取得到更好的數(shù)據(jù)特征成為一項十分重要且有意義的工作。當前存在的特征提取和預測模型大都是基于淺層學習開發(fā)的，這些模型轉化的數(shù)據(jù)

2、特征都是基于統(tǒng)計學方法計算得到的，這樣得到的特征不能準確、有效的表達樣本數(shù)據(jù)之間的內(nèi)部關系。
　　深度學習理論的發(fā)展離不開大腦視覺系統(tǒng)的仿生學成果，它采用了深層次的架構模型，可以對數(shù)據(jù)樣本進行逐層的抽象轉化，得到深層次的數(shù)據(jù)特征。由于在數(shù)據(jù)特征的提取和轉化上具有強大的優(yōu)勢，它已經(jīng)被廣泛應用到圖像識別、語音處理、自然語言表征等領域。因此，本論文從深度學習在數(shù)據(jù)特征的提取和預測方面展開研究，所做的具體工作如下:(1)對時間序列數(shù)據(jù)進行

3、預測。結合遞歸神經(jīng)網(wǎng)絡和受限玻爾茲曼機網(wǎng)絡對時序數(shù)據(jù)處理的優(yōu)勢，構建了一個基于遞歸神經(jīng)網(wǎng)絡-受限玻爾茲曼機深層結構的深度學習預測模型，模型的深層結構可以優(yōu)化門診量數(shù)據(jù)的原始特征，通過對比仿真實驗證明了預測模型的有效性。(2)復雜網(wǎng)絡的社團劃分算法?；诰W(wǎng)絡模塊度的社團檢測算法中提取到的數(shù)據(jù)特征未包含非線性關系的問題，為解決該問題，建立了一個基于深度自編碼網(wǎng)絡的深度模型，該模型可以通過逐層學習轉化得到蘊含網(wǎng)絡拓撲結構中的非線性關系的數(shù)據(jù)特

4、征。在人造網(wǎng)絡和真實網(wǎng)絡上的仿真實驗說明了該模型提取轉化的數(shù)據(jù)特征可以有效的提高社團檢測效果。(3)復雜網(wǎng)絡的社團演化預測。動態(tài)社團演化包含了靜態(tài)網(wǎng)絡的社團拓撲結構信息和社團演化的時間序列信息，所以本文從社團內(nèi)部和外部的角度綜合考慮網(wǎng)絡演化過程中的社團的變化，選擇并優(yōu)化了社團演化中社團合并的影響因素，然后構建了一個基于深度信念網(wǎng)絡的社團合并預測模型，該預測模型可以在通過對所提取的影響因素進行學習得到具有代表能力的數(shù)據(jù)特征，以此提高預測的