基于Deep Learning自编码的逼近控制系统设计

作     者：王建晖 陈俐珠 陈子聪 陈文力 黄运昌 黄星 WANG Jian-hui;CHEN Li-zhu;CHEN Zi-cong;CHEN Wen-li;HUANG Yun-chang;HUANG Xing

作者机构：广州大学机械与电气工程学院广东广州510006 

基　　金：国家自然科学基金资助项目(51478132) 广州市属高校科研资助项目(1201630173) 

出 版 物：《广州大学学报（自然科学版）》 (Journal of Guangzhou University:Natural Science Edition)

年 卷 期：2017年第16卷第6期

页      码：57-62页

摘      要：在网络大数据和移动互联网时代,函数逼近广泛应用于各行各业中,深度学习和自动编码器也得到了越来越多的关注.在大数据集环境下,由于网络层数有限,以及系统参数难调优,传统有监督学习的BP神经网络算法易出现过拟合收敛到局部最优的问题;在应用于逼近控制系统时易出现效率低、误差大等不良效果.针对以上问题,提出一种基于Deep Learning自编码的逼近控制系统,采用逐层参数独立学习机制.通过对比仿真实验表明,无监督特征学习的深度学习自编码能有效提高逼近系统函数逼近的准确率,在逼近控制系统中具有良好的应用前景.

主 题 词：Deep Learning 自动编码器 BP神经网络 逼近系统 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 081104[081104] 08[工学] 0835[0835] 081101[081101] 0811[工学-水利类] 081102[081102] 0812[工学-测绘类] 

D　O　I：10.3969/j.issn.1671-4229.2017.06.009

馆 藏 号：203284534...