Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: restricted Boltzmann machine

Sortuj według:

Ogranicz wyniki do:

Study on logging interpretation of coal‑bed methane content based on deep learning

Zunu Parhat, Min Xiang, Fengwei Zhang

Acta Geophysica

2019

Vol. 67, no. 2

589--596

To solve quantitative interpretation problems in coal-bed methane logging, deep learning is introduced in this study. Coal-bed methane logging data and laboratory results are used to establish a deep belief network (DBN) to compute coal-bed methane content. Network parameter effects on calculations are examined. The calculations of DBN, statistical probabilistic method and Langmuir equation are compared. Results show that, first, the precision and speed of DBN calculation should determine the restricted Boltzmann machine’s quantity. Second, the hidden layer neuron quantity must align with calculation accuracy and stability. Third, the ReLU function is the best for logging data; the Sigmoid function and Linear function are second; and the Softmax function has no effect. Fourth, the cross-entropy function is superior to MSE function. Fifth, RBMs make DBN more accuracy than BPNN. Furthermore, DBN calculation accuracy and stability are better than those of statistical probabilistic method and Langmuir equation.

Zastosowanie głębokich sieci neuronowych do ekstrakcji semantycznie znaczących znaków

Adamovich-Golovko V., Aliaksandrovich-Kroshchanka A.

Studia i Materiały / Europejska Uczelnia Informatyczno-Ekonomiczna w Warszawie

2014

Nr 2(8)

123--135

W pracy przedstawiono podstawowe zasady budowy i nauczania sieci neuronowej głebokiego zaufania do określenia semantycznie ważnych oznak na podstawie próbki CIFAR-10. Dla przygotowania do nauki sieci neuronowej głębokiego zaufania stosuje się opracowane podejście na podstawie minimalizacji błędu rekonstrukcyjnego obrazów widocznych i ukrytych dla ograniczonej maszyny Boltzmanna (RBM).

The main principles of construction and learning deep belief neural networks for extraction valuable semantic features are proposed. The proposed approach is based on minimization of reconstruction mean square error, which we can obtain using a simple iterations of Gibbs sampling.