浅析深度信念网络模型

◆任楚岚 曾召侠

浅析深度信念网络模型

◆任楚岚 曾召侠

（沈阳化工大学（沈阳）计算机科学与技术学院 辽宁 110000）

深度信念网络（Deep Belief Network，DBN）是深度学习模型之一，是实现人工智能的重要模型。它是由多个受限玻尔兹曼机（RBM）堆加而成。一般在模型的最后一层加入分类器模型进行分类。目前已在生物特征识别、语音识别、机器故障诊断、疾病诊断等诸多领域得到广泛应用。鉴于深度信念网络模型的优点及其强大的自主学习能力，主要做了四个方面的工作：第一，阐述了深度学习的背景以及深度信念网络的来源，第二，详细介绍了深度信念网络的基本原理和模型框架，第三，对受限玻尔兹曼机的学习过程等进行了介绍，第四，总结了深度信念网络在疾病预测领域的研究与应用。

深度学习；深度信念网络；受限玻尔兹曼机；对比散度

2006年，Hinton[1]和他的学生在《科学》上发表了一篇文章，深度信念网络（Deep Belief Network，DBN）模型首次被提出，当时，推动了深度学习的发展[2]。在深度信念网络模型的学习过程中，采用逐层训练（layer-Wise Training）的贪婪式无监督学习方法进行训练，从而解决了梯度消失问题，在模型的最后使用分类器对模型结果进行分类。可以说，深度信念网络是结合了无监督学习和有监督学习的多层概率机器学习模型。

深度信念网络[2-3]是深度学习中重要的学习模型，通过组合低层特征形成更加抽象的高层特征或属性类别。在各界得到广泛关注，从此掀起了深度学习研究的浪潮。近年来，深度信念网络被广泛应用于与人们生活息息相关的课程领域，可以实现机器翻译，人脸识别[4]，语音识别、信号恢复、商业推荐、金融分析，医疗辅助和智能交通等。……