1、深度學習作為機器學習領域的一個重要研究方向，在近年來發(fā)展迅速。深度學習的主要思想是通過構建多層的深度網(wǎng)絡結構，使用高效的算法逐級提取數(shù)據(jù)的高級特征，來完成多種無監(jiān)督或有監(jiān)督學習任務。深度學習方法可看作神經網(wǎng)絡相關研究的進一步發(fā)展與延伸，解決了以往多層神經網(wǎng)絡訓練困難的缺陷，同時也在神經科學研究中獲取靈感，并結合其他機器學習理論和方法不斷改進。在深度學習的主流模型中，受限玻爾茲曼機是一種重要的結構組成單元，由兩層單元組成，借助于受限玻爾茲

2、曼機的概率特性，其組成的多層深度結構可以首先使用逐層訓練，然后整體使用神經網(wǎng)絡的訓練方法進行參數(shù)的微調。這種方式不僅簡化了訓練過程，也提高了深度網(wǎng)絡對無標簽數(shù)據(jù)特征提取的效率。本文主要研究基于受限玻爾茲曼機的深度學習方法，建立新的模型結構，并改進其訓練算法。主要研究成果為:
　　1.考慮到受限波爾茲曼機層內單元間沒有相互連接的特殊結構，數(shù)據(jù)內部的關聯(lián)信息將會丟失，因此提出基于膠質細胞鏈的改進受限玻爾茲曼機及深度信念網(wǎng)絡模型。膠質細

3、胞是人腦中的一種特殊的神經細胞，與一般神經元相連，不僅可以調控神經元的狀態(tài)，還可向其他膠質細胞傳遞信號。本文向受限玻爾茲曼機中引入了膠質細胞鏈，定義了相關激活更新規(guī)則，組成了多層的深度網(wǎng)絡結構，并提出了一種改進的訓練算法，使深度網(wǎng)絡的訓練速度提高，并增強了數(shù)據(jù)特征提取的性能。
　　2.膠質細胞鏈使得受限玻爾茲曼機層內單元間可以相互傳遞信息，但其單元的激活并沒有受到約束，導致提取出的特征區(qū)分性較差。因此本文結合神經網(wǎng)絡中的一種結構自

4、組織網(wǎng)絡相關理論，構建出了基于自組織網(wǎng)絡和膠質細胞鏈的改進受限玻爾茲曼機模型，并提出了對應的改進訓練算法，進一步提高學習效率，獲取更優(yōu)秀的圖像特征。
　　3.深度學習方法應用廣泛，本文主要研究了受限玻爾茲曼機及其改進結構組成的深度網(wǎng)絡在圖像分類上的應用，通過在三個標準圖像數(shù)據(jù)集上的大量實驗，以及在人臉識別中的實際應用，測試并驗證所提出的改進模型的分類準確率，收斂速度，并嘗試調整相關人工參數(shù)，以適應圖像分類及識別應用任務，達到其最優(yōu)