基于復(fù)合優(yōu)化的深度玻爾茲曼機(jī)的路牌文字圖像識(shí)別算法*

李文軒,孫季豐

(華南理工大學(xué)電子與信息學(xué)院,廣東 廣州 510640)

1 引言

路牌是自然場景中廣泛存在的一種圖像信息，其特征容易識(shí)別，能夠?yàn)轳{駛者提供必要的信息，指導(dǎo)駕駛者到達(dá)目的地。在計(jì)算機(jī)視覺的研究中，路牌圖像文字識(shí)別是一個(gè)重要的方向。計(jì)算機(jī)通過識(shí)別路牌文字信息能夠?qū)崿F(xiàn)確定駕駛者所在位置、引導(dǎo)視覺障礙者等功能，有著重要價(jià)值。而在自然場景中，由于通過相機(jī)獲得的路牌圖像中文字所占區(qū)域小、分辨率較低、帶有形變等因素，導(dǎo)致文字識(shí)別率較低。

自2009年Salakhutdinov[1]提出深度玻爾茲曼機(jī)DBM(Deep Boltzmann Machine)以來，DBM模型的應(yīng)用研究取得了一定成果。其中，He等人[2]運(yùn)用DBM進(jìn)行紅外人臉表情的識(shí)別；Hu等人[3]結(jié)合特征提取算子將DBM用于車型識(shí)別。DBM在以上應(yīng)用中均優(yōu)于過去的算法，但文獻(xiàn)[2,3]中均未對(duì)DBM結(jié)構(gòu)進(jìn)行改進(jìn)，改進(jìn)模型訓(xùn)練方法與結(jié)構(gòu)以提高目標(biāo)識(shí)別效果是一個(gè)可研究的問題。

針對(duì)以上問題，本文提出一種復(fù)合優(yōu)化的深度玻爾茲曼機(jī)MDBM(Mixed optimized Deep Boltzmann Machine)，應(yīng)用于圖像文字識(shí)別。DBM網(wǎng)絡(luò)對(duì)初值敏感，獲得符合數(shù)據(jù)分布的初值能夠有效提高網(wǎng)絡(luò)的識(shí)別能力。本文同時(shí)提出一種復(fù)合共軛梯度法CCG(Complex Conjugate Gradient)對(duì)DBM中的微調(diào)算法進(jìn)行改進(jìn)，提高了微調(diào)算法搜索能力。相比原DBM算法，文中所提算法提高了自然場景圖像中低分辨率文字的識(shí)別率與穩(wěn)定性。

2 深度玻爾茲曼機(jī)

深度玻爾茲曼機(jī)[1]作為一種深度學(xué)習(xí)方法，是基于深度信念網(wǎng)DBN(Deep Belief Nets)提出的一種改進(jìn)的概率生成模型，其主要特點(diǎn)在于所構(gòu)成的是一個(gè)無向圖，能夠?qū)崿F(xiàn)深度信念網(wǎng)所不能實(shí)現(xiàn)的自頂向下的訓(xùn)練反饋，實(shí)現(xiàn)對(duì)模糊輸入數(shù)據(jù)的處理。

2.1 受限玻爾茲曼機(jī)

DBM由受限玻爾茲曼機(jī)RBM(Restricted Boltzmann Machine)構(gòu)成，RBM則來源于玻爾茲曼機(jī)BM(Boltzmann Machine)。玻爾茲曼機(jī)[1,4]是由Hinton、Sejnowski與Rumelhart于1986提出的一種基于統(tǒng)計(jì)模型的對(duì)稱模糊二值單元網(wǎng)絡(luò)，是一個(gè)雙層、無向、全連通圖。由于玻爾茲曼機(jī)訓(xùn)練困難，為簡化模型，將玻爾茲曼機(jī)同層權(quán)值間參數(shù)設(shè)為0得到RBM。

對(duì)于一個(gè)兩層的RBM，其能量函數(shù)定義為：

E(v,h1,h2;θ)=-vTW1h1-h1TW2h2

(1)

其中,v為輸入向量，h={h1,h2} 是第一隱層和第二隱層節(jié)點(diǎn)，θ={W1,W2} 是模型參數(shù)，代表可見層到隱層和隱層到隱層的對(duì)稱交互權(quán)值。

模型對(duì)應(yīng)于輸入向量v的概率為：

(2)

(3)

可見單元v∈{0,1}D,隱藏單元h∈{0,1}P,其中D和P分別表示可見單元與隱藏單元的個(gè)數(shù)。

第一隱層單元、第二隱層單元和可見層的條件概率可通過logistic函數(shù)σ(·)獲得，其表達(dá)式如下：

(4)

(5)

(6)

2.2 深度玻爾茲曼機(jī)的訓(xùn)練

在DBM模型中，訓(xùn)練過程分為無監(jiān)督訓(xùn)練與監(jiān)督訓(xùn)練兩部分，其中，無監(jiān)督訓(xùn)練是使模型各權(quán)值初始化，為更好地解決反向傳播算法在多層神經(jīng)網(wǎng)絡(luò)中衰減的問題所提出的一種有效方法。監(jiān)督學(xué)習(xí)方法則使用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，如反向傳播算法。

2.2.1 預(yù)訓(xùn)練算法

Hinton等人[5]基于復(fù)雜模型的學(xué)習(xí)可由一系列簡單模型的順序?qū)W習(xí)構(gòu)成的思想，于2006年提出一種貪婪的、逐層的非監(jiān)督學(xué)習(xí)算法，用于預(yù)訓(xùn)練概率生成網(wǎng)絡(luò)中的RBM。經(jīng)過預(yù)訓(xùn)練后，整個(gè)網(wǎng)絡(luò)可看作是一個(gè)概率模型，即深度置信網(wǎng)。在DBM中，仍使用此算法作為預(yù)訓(xùn)練算法。

逐層貪婪預(yù)訓(xùn)練算法的基本步驟如下：

(1)學(xué)習(xí)可視層v單元權(quán)值W0并假設(shè)所有權(quán)值矩陣的值是固定的；

(2)凍結(jié)權(quán)值W0，使用(W0)T推導(dǎo)第一隱層的二次逼近后驗(yàn)概率分布，即使上層的權(quán)值矩陣發(fā)生變化；

(3)保持所有的高層權(quán)值矩陣固定，除了與W0相連的，使用(W0)T所變換的原始數(shù)據(jù)學(xué)習(xí)一個(gè)RBM。

此算法若改變了高層的權(quán)值，則能夠提高生成模型的變界(Variational Bound)。

在預(yù)訓(xùn)練算法學(xué)習(xí)中，第一層RBM生成后，生成模型的概率可以寫為[6]：

(7)

其中P(h1;W1)=∑vP(h1,v;W1) 是通過W1定義的h1的先驗(yàn)概率。使用相同的參數(shù)定義h1的先驗(yàn)和似然函數(shù)P(v|h1)，能夠使推導(dǎo)更容易。

第二層的RBM通過改變參數(shù)學(xué)習(xí)一個(gè)更好的模型，其中的先驗(yàn)概率P(h1;W2)=∑h2P(h1,h2;W2)，式中W2是在(W1)T中初始化的，并根據(jù)W2的訓(xùn)練數(shù)據(jù)的概率取對(duì)數(shù)后計(jì)算變下界梯度獲得。包含N個(gè)訓(xùn)練數(shù)據(jù)的變下界例子如下所示：

(8)

其中,H(·)是熵函數(shù)，Q(h|v)是任意在l隱層中的向量的后驗(yàn)概率,n∈[1,N]。

在實(shí)際訓(xùn)練DBM時(shí)，與DBN不同，為減少在DBM低層的重復(fù)計(jì)數(shù)問題，在訓(xùn)練過程中使用兩倍的輸入數(shù)據(jù)作為輸入，并保持輸入到隱層的權(quán)值不變，則隱層和可見層的條件分布為：

(9)

(10)

通過使用對(duì)比散度CD(Contrastive Divergence)算法，改造后的RBM能夠較好地重構(gòu)訓(xùn)練數(shù)據(jù)。在訓(xùn)練第2個(gè)RBM時(shí)，將第一層計(jì)算所得結(jié)果經(jīng)sigmoid等非線性函數(shù)計(jì)算，所得結(jié)果作為第二層的輸入，并將輸入翻倍，則條件分布為：

(11)

(12)

當(dāng)上述兩個(gè)模型預(yù)訓(xùn)練結(jié)束后，構(gòu)成一個(gè)系統(tǒng)，所有到第一隱層的輸入都將被減半，產(chǎn)生如下的條件分布：

(13)

對(duì)于v和h2的條件分布，與式(1)和式(3)相似。

對(duì)于多層深度網(wǎng)絡(luò)，可重復(fù)進(jìn)行逐層的預(yù)訓(xùn)練算法，以達(dá)到預(yù)訓(xùn)練整個(gè)網(wǎng)絡(luò)的目的。

通過貪婪的預(yù)訓(xùn)練算法獲得的兩個(gè)改進(jìn)的RBM產(chǎn)生一個(gè)帶有對(duì)稱權(quán)值的無向圖模型，即DBM模型。當(dāng)貪婪訓(xùn)練多于兩層的RBM時(shí)，改進(jìn)的模型只需使用首層和最后一層的RBM。

在訓(xùn)練之后，每一層中二值特征的模糊狀態(tài)可被確定的，以實(shí)數(shù)值的概率替代，由此DBM變?yōu)橐粋€(gè)確定性的多層神經(jīng)網(wǎng)絡(luò)。

2.2.2 微調(diào)算法

Hinton提出的深度學(xué)習(xí)網(wǎng)絡(luò)中，在預(yù)訓(xùn)練后需要加入微調(diào)算法，而這種算法可以是傳統(tǒng)的反向傳播算法。反向傳播算法是一種用于訓(xùn)練多層前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，能夠有效修正隱層節(jié)點(diǎn)的連接權(quán)值和閾值，具有公式簡潔、概念清晰等優(yōu)點(diǎn)。

反向傳播算法使用梯度下降法使網(wǎng)絡(luò)的輸出值和目標(biāo)值之間的誤差平方最小。在反向傳播算法中，誤差定義為：

(14)

其中，w為權(quán)值向量，outputs為網(wǎng)絡(luò)輸出單元的集合，tkg和okg是與訓(xùn)練樣例g和第k個(gè)輸出單元相關(guān)的輸出值。

反向傳播算法的學(xué)習(xí)問題是一個(gè)搜索假設(shè)空間的問題，空間中包含所有單元的所有可能的權(quán)值定義。在通常情況下，反向傳播算法使用梯度下降法進(jìn)行權(quán)值搜索。

Figure 1 Two-layer deep Boltzmann machine圖1 兩層的深度波爾茲曼機(jī)模型

3 復(fù)合優(yōu)化深度玻爾茲曼機(jī)

3.1 參數(shù)混合初始化

神經(jīng)網(wǎng)絡(luò)對(duì)初始化參數(shù)敏感，針對(duì)這一問題，研究者已提出多種優(yōu)化方法，如對(duì)比散度算法[7],使反向傳播衰減影響降低，提高了識(shí)別精度。由此，本文針對(duì)所使用的灰度圖像數(shù)據(jù)提出一種用于DBM預(yù)訓(xùn)練過程的參數(shù)初始化方法，通過在RBM的約束學(xué)習(xí)與自由學(xué)習(xí)過程中使用非對(duì)稱取值方法改進(jìn)DBM，能更好逼近數(shù)據(jù)分布，使網(wǎng)絡(luò)的識(shí)別效果提高。

在一般的玻爾茲曼機(jī)模型訓(xùn)練過程中[7]，首先進(jìn)行約束學(xué)習(xí)，將可見單元狀態(tài)值取值為訓(xùn)練樣本值，后通過采樣方法獲取隱藏單元值。之后進(jìn)行自由學(xué)習(xí)，網(wǎng)絡(luò)自由運(yùn)行，不約束任何可見單元狀態(tài)，并采樣獲得新的可見單元與隱單元權(quán)值。

在DBM中，每一層均使用隨機(jī)二值化方法處理輸入數(shù)據(jù)，網(wǎng)絡(luò)狀態(tài)明顯受隨機(jī)采樣效果影響，識(shí)別結(jié)果不穩(wěn)定，難以確定模型是否取得最優(yōu)值。本文通過直接獲取訓(xùn)練數(shù)據(jù)作為部分層的可見單元，將灰度值初始化采樣與二值初始化采樣方法混合，提出一種較穩(wěn)定且效果較理想的參數(shù)初始化方法。以三層MDBM為例，其算法如下：

第一層：初始化各參數(shù)。

For 1:MaxepochH1

約束學(xué)習(xí)階段：

使用灰度訓(xùn)練數(shù)據(jù)作為約束學(xué)習(xí)階段的輸入數(shù)據(jù)

計(jì)算第一隱層各權(quán)值概率;

采樣獲取隱層二值狀態(tài)值;

自由學(xué)習(xí)階段：

計(jì)算第一隱層各權(quán)值概率;

更新各參數(shù);

EndFor

第二層：獲取前一層各參數(shù)，并初始化本層各參數(shù)。

For 1:MaxepochH2

約束學(xué)習(xí)階段：

使用前一層訓(xùn)練結(jié)果的二值化結(jié)果作為約束學(xué)習(xí)階段的輸入數(shù)據(jù);

計(jì)算第二隱層各權(quán)值概率;

自由學(xué)習(xí)階段：

使用對(duì)比散度算法計(jì)算第二隱層各權(quán)值概率;

更新各參數(shù);

EndFor

第三層：獲取前兩層各參數(shù)，并初始化本層各參數(shù)。

For 1:Maxepoch

約束學(xué)習(xí)階段：

使用原始數(shù)據(jù)作為輸入數(shù)據(jù);

使用平均場(Mean Field)方法計(jì)算前兩層的聯(lián)合概率;

計(jì)算各參數(shù);

自由學(xué)習(xí)階段：

采樣獲取隱層二值狀態(tài)值;

計(jì)算隱層懲罰項(xiàng)概率權(quán)值;

采樣獲取隱層懲罰項(xiàng)二值狀態(tài)值;

計(jì)算隱層參數(shù)概率權(quán)值;

采樣獲取隱層參數(shù)二值狀態(tài)值;

更新各參數(shù)概率權(quán)值;

EndFor

3.2 復(fù)合共軛梯度法

在DBM微調(diào)階段，算法使用的是共軛梯度法。共軛梯度法是解決無約束最優(yōu)化問題的一種常用方法，基本思想是利用已知點(diǎn)處的梯度構(gòu)造一組共軛方向，據(jù)此搜索目標(biāo)函數(shù)極值。其迭代結(jié)構(gòu)簡單、存儲(chǔ)量小，且具有良好的局部和全局收斂性。共軛梯度法在對(duì)大規(guī)模約束最優(yōu)化問題的求解中，其解的數(shù)值表現(xiàn)優(yōu)于最速下降法、牛頓法、BFGS(Broyden, Fletcher, Goldfarb, Shanno)擬牛頓法等無約朿最優(yōu)化算法[9]。本文針對(duì)算法中微調(diào)算法與訓(xùn)練算法的弱聯(lián)系特性，提出一種由比例梯度法改進(jìn)得到的復(fù)合共軛梯度法，優(yōu)化算法的擬合能力，使算法識(shí)別率得到一定提高。

文中提出一種復(fù)合共軛梯度法CCG(Complex Conjugate Gradient)，用以改進(jìn)Polak-Ribiere共軛梯度法。CCG思想來源于比例共軛梯度法，比例共軛梯度法是共軛梯度法的一種改進(jìn)，其結(jié)合了兩點(diǎn)步長下降法和共軛梯度法。兩點(diǎn)步長下降法是一種最速下降法的改進(jìn)，主要目的是提高最速下降法的收斂速度。本文所提出的復(fù)合共軛梯度法是比例共軛梯度法的一種改進(jìn)。

CCG搜索方向dk計(jì)算公式為：

(15)

(16)

其中,yk-1=gk-gk-1，sk-1=xk-xk-1,xk為第k次迭代時(shí)的輸入。

通過論證，得到CCG的待定參數(shù)θk的取值為：

(17)

4 路牌文字識(shí)別

4.1 數(shù)據(jù)采集

本文針對(duì)所研究的對(duì)象采集并制作一個(gè)包含280幅彩色高速路牌圖片的研究數(shù)據(jù)集。

4.2 圖像預(yù)處理

本文實(shí)驗(yàn)中對(duì)圖像的預(yù)處理主要分為以下幾個(gè)部分：

(1)路牌的提取：通過將RGB色彩空間轉(zhuǎn)化至HSV空間，使用路牌顏色特征進(jìn)行路牌圖像的感興趣區(qū)域提取。實(shí)驗(yàn)結(jié)果如圖2所示。

Figure 2 Taffic signs extraction by color feature圖2 通過顏色提取路牌區(qū)域

路牌顏色提取流程圖，如圖3所示。

Figure 3 Flow chart of color feature extraction by color region of taffic signs圖3 路牌區(qū)域顏色提取流程圖

(2)路牌圖像的傾斜校正：通過使用矩陣變換實(shí)現(xiàn)路牌圖像的傾斜校正，效果如圖4所示。

Figure 4 Skew correction圖4 傾斜校正

路牌顏色提取流程圖，如圖5所示。

Figure 5 Flow chart of skew correction圖5 路牌區(qū)域傾斜校正流程圖

4.3 文字圖像獲取

針對(duì)路牌文字排列較為規(guī)范的特點(diǎn)，本文采用二值圖像連通區(qū)域提取方法與手工分割方法獲取文字圖像實(shí)驗(yàn)數(shù)據(jù)集。本文選取文字圖像數(shù)據(jù)集中的20種漢字作為實(shí)驗(yàn)對(duì)象，將數(shù)據(jù)庫中文字圖像分辨率統(tǒng)一為20×20，并對(duì)訓(xùn)練集的圖像分別進(jìn)行加噪或灰度增強(qiáng)操作，以增加訓(xùn)練集數(shù)據(jù)量，構(gòu)成的訓(xùn)練集包括20類1 200幅文字圖像，測試集含有20類400幅文字圖像。文字圖像實(shí)驗(yàn)數(shù)據(jù)集部分實(shí)例如圖4所示。

Figure 6 Part of the images of Chinese characters data圖6 采集的部分文字圖像

4.4 圖像識(shí)別

本文采用BP神經(jīng)網(wǎng)絡(luò)BPNN(Back Propagation Neural Network)、深度玻爾茲曼機(jī)(DBM)與復(fù)合優(yōu)化深度玻爾茲曼機(jī)(MDBM)三種算法進(jìn)行實(shí)驗(yàn)對(duì)比。各算法的實(shí)驗(yàn)最優(yōu)識(shí)別結(jié)果對(duì)比如表1所示。

Table 1 Recognition accuracy comparisonamong the algorithms

由表1可得出，相對(duì)于BP神經(jīng)網(wǎng)絡(luò)，DBM對(duì)圖像文字的識(shí)別效果最優(yōu)，可認(rèn)為DBM具有對(duì)文字圖像較理想的識(shí)別能力。從表1中還可看出，MDBM比原有DBM在識(shí)別率上有0.5%的提高。

在表1所示的最優(yōu)結(jié)果處理過程中，對(duì)DBM與MDBM微調(diào)過程的平均精度進(jìn)行對(duì)比。其中，剔除前兩次快速收斂過程結(jié)果，設(shè)定20次迭代中的18次結(jié)果的平均值作對(duì)比，其結(jié)果如表2所示。

Table 2 Average number of misclassificationcomparison between the DBM and MDBM

對(duì)比表1與表2中DBM誤匹配個(gè)數(shù)可知，本文提出的算法在收斂過程中大部分結(jié)果均在最優(yōu)值附近，優(yōu)于原DBM算法。

DBM與MDBM微調(diào)迭代過程狀態(tài)結(jié)果如圖7所示。

Figure 7 Result comparison of 18 interactions圖7 18次迭代結(jié)果對(duì)比

由圖7可得出，本文提出的方法在微調(diào)迭代過程中，有效減少了反向傳播中識(shí)別結(jié)果的波動(dòng)，減少幅度明顯，并在一定幅度上提高了識(shí)別精度。

由于微調(diào)算法的隨機(jī)性，本文通過50次的實(shí)驗(yàn)，對(duì)比本文提出算法與DBM算法在微調(diào)過程中識(shí)別結(jié)果的穩(wěn)定性與平均精度，結(jié)果如圖8所示。

Figure 8 Distribution of average results of 50 experiments圖8 50次實(shí)驗(yàn)平均結(jié)果的分布

由圖8所示結(jié)果可知，本文提出算法在多次實(shí)驗(yàn)對(duì)比下優(yōu)于原DBM算法，即可排除隨機(jī)性對(duì)算法不穩(wěn)定性的影響，可說明本文提出算法在路牌數(shù)據(jù)集的識(shí)別效果中優(yōu)于原DBM算法。

Table 3 Average number of traffic signs’ characterdata misclassification in 50 experiments

由表3結(jié)果可知，在50次實(shí)驗(yàn)中，本文提出的算法在訓(xùn)練集平均誤匹配個(gè)數(shù)較原DBM算法減少了20.01，在測試集中減少5.51。

綜合3.4節(jié)的實(shí)驗(yàn)結(jié)果，本文提出的MDBM算法在灰度路牌圖像數(shù)據(jù)集中的識(shí)別精度優(yōu)于原DBM算法，即混合參數(shù)初始化方法對(duì)灰度路牌文字圖像的識(shí)別有提高。

文中的識(shí)別實(shí)驗(yàn)程序?qū)崿F(xiàn)展示如圖9所示。

Figure 9 Display of recognition results圖9 識(shí)別實(shí)驗(yàn)程序展示

5 結(jié)束語

深度玻爾茲曼機(jī)是一種改進(jìn)的概率生成模型，具有無監(jiān)督的特征提取能力和分類識(shí)別能力，對(duì)模糊數(shù)據(jù)的分類識(shí)別有較理想效果。本文主要工作在于提出一種改進(jìn)深度玻爾茲曼機(jī)數(shù)據(jù)集初始化及微調(diào)過程的方法，由此構(gòu)建一種復(fù)合優(yōu)化深度玻爾茲曼機(jī)(MDBM)深度學(xué)習(xí)模型。文中通過采集自然場景中的路牌圖像數(shù)據(jù)，提取并構(gòu)造文中使用的路牌文字圖像數(shù)據(jù)集。通過將提取及識(shí)別文字部分結(jié)合，提出一種對(duì)自然場景中的路牌圖像中的低分辨率文字進(jìn)行識(shí)別的方案。文中實(shí)驗(yàn)結(jié)果顯示，MDBM方法相對(duì)于原DBM算法在識(shí)別精度與穩(wěn)定性上均有一定提高。未來可通過實(shí)驗(yàn)數(shù)據(jù)的進(jìn)一步擴(kuò)充及算法效率的提高兩個(gè)方向?qū)W(wǎng)絡(luò)模型進(jìn)行研究。

[1] Salakhutdinov R,Hinton G E.Deep Boltzmann machines[C]∥Proc of International Conference on Artificial Intelligence and Statistics,2009:448-455.

[2] He Shan,Wang Shang-fei,Lan Wu-wei,et al.Facial expression recognition using deep Boltzmann machine from thermal infrared images[C]∥Proc of 2013 Humaine Association Conference on Affective Computing and Intelligent Interaction (ACII),2013:239-244.

[3] Hu Ai-qin,Li Hong,Zhang Fan,et al.Deep Boltzmann machines based vehicle recognition[C]∥Proc of the 26th Chinese Control and Decision Conference (2014 CCDC),2014:3033-3038.

[4] Zheng Yin，Chen Quan-qi，Zhang Yu-jin.Deep learning and its new progressin object and behavior recognition[J].Journal of Image and Graphics,2014,19(2):175-184.(in Chinese)

[5] Hinton G E, Osindero S, Yee-Whye T. A fast learning algorithm for deep belief nets[J].Neural Computation,2006,18(7):1527-1554.

[6] Hinton G E.Training products of experts by minimizing constrastive divergence[J].Neural Computation,2002,14(8):1771-1800.

[7] Liu Jian-wei,Liu Yuan,Luo Xiong-lin.Research and development on Boltzmann machine[J].Journal of Computer Research and Development,2014,51(1):1-16.(in Chinese)

[8] Mohd R, Muhammad F, Mustafa M.New modifications of conjugate gradient coefficient with global convergence properties[C]∥Proc of 2012 IEEE Symposium on Humanities,Science and Engineering Research，2012:625-629.

附中文參考文獻(xiàn)：

[4] 鄭胤,陳權(quán)崎,章毓晉.深度學(xué)習(xí)及其在目標(biāo)和行為識(shí)別中的新進(jìn)展[J].中國圖象圖形學(xué)報(bào),2014,19(2):175-184.

[7] 劉建偉,劉媛,羅雄麟.玻爾茲曼機(jī)研究進(jìn)展[J].計(jì)算機(jī)研究與發(fā)展,2014,51(1):1-16.