基于深度学习反向传播的稀疏数据特征提取

摘要

针对如何有效利用互联网数据中蕴藏的大量文本数据信息,提出了基于深度学习反向传播的稀疏数据特征提取方法。首先将稀疏数据体系分别建立在Web和分散式社会网络上,在初始链路模型下可以得出稀疏数据的拓扑模型,通过对相空间的重构提高稀疏数据特征提取的能力,并采用数据的时隙分配模式,对稀疏数据的属性混合值进行迭代处理。然后通过有/无标签数据完成对深度学习和Softmax回归模型的训练,在训练中采用最小化代价函数对模型的参数进行修正,结合深度学习算法提取稀疏数据的特征量,求出稀疏数据中时隙分配的信任值。最后通过反向传播算法将学习网络中的残差传输到输入层中,根据误差减小最快的方向对加权系数进行调整,直到获取最佳的加权系数为止。实验结果表明,算法与梯度下降算法相比具有更高的准确率,并且针对不同的数据集误差率都很小,明显提高了数据的分类提取能力。