前言:一篇好文章的诞生,需要你不断地搜集资料、整理思路,本站小编为你收集了丰富的卷积神经网络的训练方法主题范文,仅供参考,欢迎阅读并收藏。
关键词:深度学习;器材管理;深度信念网络;效率;损耗
1.引言
深度学习是机器学习的延伸和进一步发展,它基于机器学习,从广义上讲是机器学习的一种,但与机器学习有较大不同,深度学习的模型和人脑皮层结构有较大相似,从某种意义上讲,深度学习是智能学习,可对复杂数据进行有效处理[1]。深度学习模型既可以作为特征提取器,也可以用作特征分类器,并且二者可以同时应用,直接得到想要的分类结果。器材有成千上万种,每种器材的性能、数量、有效期、生产厂家这些基本要素Ю戳舜罅康氖据,而深度学习应用于大数据挖掘方面,实践中已经取得较好的效果。现在是一个“大数据+深度学习”的时代。本文研究在器材管理中如何运用深度学习,来探寻器材管理中蕴含的内在规律,通过得出的管理规则进行器材管理,来提高器材管理的信息化水平。
2.深度学习的典型模型
深度学习基础是受限玻尔兹曼机(RBM),玻尔兹曼机( BM)可以认为是一种能量模型。即参数空间中每一种情况均有一个标量形式的能量与之对应。对全连通玻尔兹曼机进行简化,其限制条件是在给定可见层或者隐层中的其中一层后,另一层的单元彼此独立,即为受限玻尔兹曼机。深度学习的典型模型主要有:自动编码器(AE),卷积神经网络(CNN),深度信念网络(DBN)三种[2]。
(1)自动编码器
自编码器的基本原理:将输入的原始信号进行编码,使用编码得到的新信号重建原始信号,求得重建的元信号与原始信号相比重建误差最小。它的优点是可以有效的提取信号中的主要特征,减少信息冗余,提高信息处理效率。模式分类中经常用到的以下方法:K均值聚类、稀疏编码、主成分分析等均可理解为是一个自动编码器。
(2)卷积神经网络
卷积神经网络(CNN)善于提取数据局部特征,模型复杂度较低,权值的数量较少,它组合局部感受野(滑动窗口)、权重共享(减少自由参数数量)、和空间或时间上的子采样这3 种结构去确保平移和变形上的不变性。
(3)深度信念网络
深度信念网络(DBN)主要采用贪婪逐层训练方法。简言之通过预先训练与反向调节来训练整个DBN网络:在预先训练阶段,先逐个训练每一个受限玻尔兹曼机RBM,逐层叠加,并将下一层的RBM 的输出作为上一层RBM 的输入; 在反向调节阶段可以采用BP训练,通过误差函数进行反向调节.
3.基于深度信念网络(DBN)的器材管理方法
器材管理的目的是在最大器材利用率下所用资金最少,耗费管理人员精力最少。从模型分析上来说,这是一个求最优化模型的问题。深度信念网络在求取最优化方面具有一定的优越性。深度信念网络(DBN)的优点:(1)采用并行结构,可同时处理多组数据,计算效率得到较大提升,对处理大数据有优势;(2)可以用较小的模型参数波动得到较高的分类结果,模型稳定性较好[3]。
对器材管理者来说如何制定性价比最高的器材采购方案,最优的器材下发方案,最优的器材存储方案是急需解决的三个问题。
器材采购方案:其制定主要基于器材的价格,储存年限,采购批次,采购量,售后服务等因素,针对每种器材的上述指标进行量化打分,再根据每种器材的侧重点分配量化系数,整合成10种数据输入。将这些数据输入到训练好的深度信念网络(DBN)中得出每种器材的采购点数,根据点数决定采购的器材数量、品种、规格和型号。
器材的下发方案:器材的下发要考虑不同单位的需求,现有库存情况,近期器材补充情况,近期大项工作需求情况,根据不同情况对不同单位,不同器材,具体工作设定不同颜色的标签,通过标签整合,将这些数据输入到训练好的深度信念网络(DBN)中得到具体的下拨方案。
器材储存方案:储存主要包括使用单位库存情况,仓库库存情况,供货单位协议代储情况,运用深度信念网络(DBN)对器材消耗情况进行分析,进而得出,单位库存的数质量,使用单位库存的数质量,供货单位协议代储数质量,使三者处于一个最优化状态,既不影响使用,又可降低库存空间的需求,减少资金占用。
4. 实验结果
本文采用深度信念网络(DBN)对1000种器材采购、运输、库存、消耗使用以及不同品牌的通用器材采购成本进行了实验分析,通过深度信念网络(DBN)的优化,采购效率提高10%,运输时间缩短20%,库存量降低15%,使用消耗准确度提高5%,采购成本降低18%。
5. 未来发展与展望
深度学习方法在器材管理中的应用还处于初步探索之中,但是初步运用表明,其在“大数据+云计算”时代,对提高器材管理的信息化水平具有较大的实用价值和经济价值,用于器材管理的深度学习模型,还较为简单,还有进一步发展的空间,实践应用中对器材数据特征的提取还有待加强,只有深刻的理解器材管理的特征及需求,才能有针对性的建立模型,提高模型的可靠性和有效性。使器材管理水平更上一层楼,使器材管理跟上信息化发展的步伐。
参考文献:
[1] 孙志军,薛磊,许阳明.基于深度学习的边际Fisher分析特征提取算法[J].电子与信息学报,2013,35(4):805-811.
[2] 孙志军,薛磊,许阳明,等.深度学习研究综述[J].计算机应用研究, 2012, 29( 8) : 2806 - 2810.
[3] 胡晓林,朱军.深度学习―――机器学习领域的新热点[J].中国计算机学会通讯, 2013,9( 7) : 64 - 69.
作者简介:
康克成(1981.04-)河北昌黎人,研究生,硕士,工程师,中国人民92819部队,研究方向:信息与通信工程;
王强(1981.02-)山东胶州人,本科,助理工程师,中国人民92819部队,研究方向:装备管理;