论文部分内容阅读
针对深度信念网络(DBN)模型在非线性系统预测时,由于在模型构建中固定的学习率难以寻找全局最优以及学习速度慢等问题,提出了一种改进的DBN预测模型。将动量学习率引入到DBN无监督预训练阶段,改进了受限波尔兹曼机(RBM)网络以提高特征提取精度及参数在训练过程中的抗振荡能力;同时,将共轭梯度法嵌入DBN微调阶段来提高学习速度;最后,在袋式除尘器数字样机工作性能数据集上进行了验证。实验结果表明,与传统DBN及其变型模型相比,改进的DBN网络模型不仅收敛速度快而且预测精度高。