深度学习作为一种新兴的深层次神经网络学习算法,通过模拟人脑的工作方式,构建含有多个隐藏层的人工神经网络模型,对输入的高维数据逐层提取特征进而形成抽象的高层表示,展现出强大的学习能力。深度学习以构建深层次结构化模型为目标,其隐藏层数最多可达几百上千层,这种多隐层网络结构用传统训练算法很难奏效,不仅因为训练样本数据量要求大,训练过程缓慢,而且其代价函数容易收敛到局部最小值,使得模型效果不佳。直到2006年,Hinton等人提出了深度信念网络,通过分层训练的方式解决了深层次神经网络难以训练的问题,并取得了巨大成功。深度信念网络具有优秀的特征提取能力,它是由多个完成预训练的受限玻尔兹曼机依次堆叠而成,无论在预测还是分类方面,都表现出绝佳的性能,被广泛应用于各个领域。尽管深度信念网络已经成功应用于多个领域,但它仍处在发展阶段,仍有大量工作值得进一步研究。目前深度信念网络缺乏科学有效的选取网络隐层数和神经元数目的方法,实际应用中大多依靠学者的经验来人工选取。如果选取的数值偏小,模型结构过于简单,拟合复杂数据能力有限,模型精度较低;如果选取的数值偏大,模型过于复杂,会造成模型训练困难,计算效率较低以及过拟合等问题,不利于深度信念网络的扩展应用。针对上述问题,本文进行了以下研究:(1)根据贪心算法思想,提出一种动态构建深度信念网络模型的方法:在从底层逐层构建深度信念网络模型的过程中,根据验证集错误分类率动态调整各层神经元数目,直到模型满足精度要求。最后,再微调各隐层神经元数目。(2)针对在依据重构误差构建深度信念网络模型时,模型隐藏层数往往偏大的问题;本文加以改进,根据加权误差来选择合适的网络隐层数;网络隐层数确定后,再根据渐增法或二分法确定合适的隐层神经元数目,以使模型结构更优。以上研究表明,深度信念网络模型可以依据此方法选择合适的网络层数和隐层神经元数目,优化模型结构,提高模型分类或预测的准确率。