基于生成型深信度网络的回归算法鲁棒性分析

摘要：

目前，深度学习在分类问题中取得了很多很好的效果，并开始在部分回归任务得到应用。然而，绝大部分研究重点都集中在相对其他回归算法的预报精度上，而忽视了有实际应用需求的回归算法预报鲁棒性问题。首先基于受限的玻尔兹曼机建立了一个具有3个隐含层的生成型深信度网络多步预测模型；然后，建立了基于单隐含层神经网络、三个隐含层的神经网络以及单核支持向量的典型多步预测模型，并利用4组宁夏地区不同季节的风速数据进行回归算法的稳定性对比实验。实验结果显示，基于受限玻尔兹曼机建立的具有三个隐含层的深信度网络模型的多步预报误差的均值和方差都是最小的。因此，基于生成型深信度网络的回归模型不仅预报精度高，而且此预报算法的鲁棒性也比较好；相对其他三种典型回归算法来说，可以更好地满足风电场风速预报问题的实际工程应用需求。

关键词：无监督学习、特征提取、玻尔兹曼机、生成型、深信度网络、鲁棒性

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家重点基础研究发展计划973资助项目2012CB215201;国家自然科学基金优秀青年基金资助项目61222210

在线出版日期：2015-09-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：47-52