前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的卷積神經網絡的訓練方法主題范文，僅供參考，歡迎閱讀并收藏。
關鍵詞：深度學習；器材管理；深度信念網絡；效率；損耗
1.引言
深度學習是機器學習的延伸和進一步發展，它基于機器學習，從廣義上講是機器學習的一種，但與機器學習有較大不同，深度學習的模型和人腦皮層結構有較大相似，從某種意義上講，深度學習是智能學習，可對復雜數據進行有效處理[1]。深度學習模型既可以作為特征提取器，也可以用作特征分類器，并且二者可以同時應用，直接得到想要的分類結果。器材有成千上萬種，每種器材的性能、數量、有效期、生產廠家這些基本要素Ю戳舜罅康氖據，而深度學習應用于大數據挖掘方面，實踐中已經取得較好的效果。現在是一個“大數據+深度學習”的時代。本文研究在器材管理中如何運用深度學習，來探尋器材管理中蘊含的內在規律，通過得出的管理規則進行器材管理，來提高器材管理的信息化水平。
2.深度學習的典型模型
深度學習基礎是受限玻爾茲曼機（RBM），玻爾茲曼機（ BM）可以認為是一種能量模型。即參數空間中每一種情況均有一個標量形式的能量與之對應。對全連通玻爾茲曼機進行簡化，其限制條件是在給定可見層或者隱層中的其中一層后，另一層的單元彼此獨立，即為受限玻爾茲曼機。深度學習的典型模型主要有：自動編碼器（AE），卷積神經網絡（CNN），深度信念網絡（DBN）三種[2]。
（1）自動編碼器
自編碼器的基本原理：將輸入的原始信號進行編碼，使用編碼得到的新信號重建原始信號，求得重建的元信號與原始信號相比重建誤差最小。它的優點是可以有效的提取信號中的主要特征，減少信息冗余，提高信息處理效率。模式分類中經常用到的以下方法：K均值聚類、稀疏編碼、主成分分析等均可理解為是一個自動編碼器。
（2）卷積神經網絡
卷積神經網絡（CNN）善于提取數據局部特征，模型復雜度較低，權值的數量較少，它組合局部感受野（滑動窗口）、權重共享（減少自由參數數量）、和空間或時間上的子采樣這3 種結構去確保平移和變形上的不變性。
（3）深度信念網絡
深度信念網絡（DBN）主要采用貪婪逐層訓練方法。簡言之通過預先訓練與反向調節來訓練整個DBN網絡：在預先訓練階段，先逐個訓練每一個受限玻爾茲曼機RBM，逐層疊加，并將下一層的RBM 的輸出作為上一層RBM 的輸入； 在反向調節階段可以采用BP訓練，通過誤差函數進行反向調節.
3.基于深度信念網絡（DBN）的器材管理方法
器材管理的目的是在最大器材利用率下所用資金最少，耗費管理人員精力最少。從模型分析上來說，這是一個求最優化模型的問題。深度信念網絡在求取最優化方面具有一定的優越性。深度信念網絡（DBN）的優點：（1）采用并行結構，可同時處理多組數據，計算效率得到較大提升，對處理大數據有優勢；（2）可以用較小的模型參數波動得到較高的分類結果，模型穩定性較好[3]。
對器材管理者來說如何制定性價比最高的器材采購方案，最優的器材下發方案，最優的器材存儲方案是急需解決的三個問題。
器材采購方案：其制定主要基于器材的價格，儲存年限，采購批次，采購量，售后服務等因素，針對每種器材的上述指標進行量化打分，再根據每種器材的側重點分配量化系數，整合成10種數據輸入。將這些數據輸入到訓練好的深度信念網絡（DBN）中得出每種器材的采購點數，根據點數決定采購的器材數量、品種、規格和型號。
器材的下發方案：器材的下發要考慮不同單位的需求，現有庫存情況，近期器材補充情況，近期大項工作需求情況，根據不同情況對不同單位，不同器材，具體工作設定不同顏色的標簽，通過標簽整合，將這些數據輸入到訓練好的深度信念網絡（DBN）中得到具體的下撥方案。
器材儲存方案：儲存主要包括使用單位庫存情況，倉庫庫存情況，供貨單位協議代儲情況，運用深度信念網絡（DBN）對器材消耗情況進行分析，進而得出，單位庫存的數質量，使用單位庫存的數質量，供貨單位協議代儲數質量，使三者處于一個最優化狀態，既不影響使用，又可降低庫存空間的需求，減少資金占用。
4. 實驗結果
本文采用深度信念網絡（DBN）對1000種器材采購、運輸、庫存、消耗使用以及不同品牌的通用器材采購成本進行了實驗分析，通過深度信念網絡（DBN）的優化，采購效率提高10%，運輸時間縮短20%，庫存量降低15%，使用消耗準確度提高5%，采購成本降低18%。
5. 未來發展與展望
深度學習方法在器材管理中的應用還處于初步探索之中，但是初步運用表明，其在“大數據+云計算”時代，對提高器材管理的信息化水平具有較大的實用價值和經濟價值，用于器材管理的深度學習模型，還較為簡單，還有進一步發展的空間，實踐應用中對器材數據特征的提取還有待加強，只有深刻的理解器材管理的特征及需求，才能有針對性的建立模型，提高模型的可靠性和有效性。使器材管理水平更上一層樓，使器材管理跟上信息化發展的步伐。
參考文獻：
[1] 孫志軍，薛磊，許陽明.基于深度學習的邊際Fisher分析特征提取算法[J].電子與信息學報，2013，35（4）：805-811.
[2] 孫志軍，薛磊，許陽明，等.深度學習研究綜述[J].計算機應用研究， 2012， 29（ 8） ： 2806 - 2810.
[3] 胡曉林，朱軍.深度學習―――機器學習領域的新熱點[J].中國計算機學會通訊， 2013，9（ 7） ： 64 - 69.
作者簡介：
康克成（1981.04-）河北昌黎人，研究生，碩士，工程師，中國人民92819部隊，研究方向：信息與通信工程；
王強（1981.02-）山東膠州人，本科，助理工程師，中國人民92819部隊，研究方向：裝備管理；