打开文本图片集

摘 要：互联网时代的到来，使得大数据中的信息得到了多方面的重视。对大数据的经济价值与科学价值进行挖掘，是当代各个领域研究的热点问题。当下现有的大数据分析方法，技术壁垒偏高，需要开发新的分析方案，来发掘大数据更多的价值空间。深度神经网络算法是利用仿生学习算法来对大数据内的海量信息进行整合与筛选，是将大数据转化为价值信息的渠道。本文基于前馈式连接方法，对大数据分析的无限深度神经网络方法进行了研究。

关键词：大数据;无限深度网络神经;互联网

0 前言

大数据在各个领域的应用，促进了新行业的崛起，具有极大的经济价值与科学价值，在世界范围内已掀起了大数据研究的热潮。我国早就将大数据纳入国家发展战略中，对其信息数据价值进行了大量研究。无线深度神经网络算法方是一种以人脑为原型建立的一种数据处理模式，这种复杂的模型，能以深度学习的方式，实现对大数据内在信息的充分发掘，是当代效率最高的大数据分析算法之一。

1 大数据的概念

上世纪末产生了大数据这一概念，是指代庞大复杂的信息数据集合的称呼。大数据所包含的信息量极大，涵盖了全样本数据，但单条数据价值極低，每条数据间缺乏相关性。大数据内信息来源复杂，渠道广泛，对这些信息进行一一分类整理据有极高的难度，且大数据的数据量还有指数生长的特点。挖掘大数据信息数据的核心价值，当下常见的技术主要为数据平台、分析平台与展示平台这几种。数据平台是收集大数据并对其进行清理，并做好数据的分类存储管理。分析平台是对大数据进行分析、计算，并将其数据信息价值加以具象化的途径。对大数据的分析需要有计算平台做支撑。

2 无限深度神经网络及算法模型

神经网络是人工智能领域中，对仿生人脑神经的进行信息处理的数学模型的称呼。二十一世纪产生的深度学习方法，充分地发挥了神经网络的计算分析能力，并成功地将其应用于大数据分析领域内。深度学习方法在语音图像识别等方面不断刷新相关领域内的记录，而无限深度神经网络拥有卓越的处理动态数据的能力。深度神经网络没有时间参数的限制，在静态数据的处理方面有着杰出的功效。无限深度神经网络则是全互联的回复式神经网络，在时间运行过程中，神经网络可实现“无限深”，即为无限深度网络。神经网络算法作为一种仿生人脑机制的计算方法，这里主要讨论前馈神经网络。前馈神经网络有极好的学习能力，在语音图像识别中应用成果较好，效率较高。前馈神经网络为多层结构，前馈层输出信息并使其单相流动传输，能够提取数据空间结构特征，在人工智能开发领域中有重要的作用。

3 神经网络学习算法

深度神经网络需要预测数据的变化趋势。“Bus Driver”是验证算法动态提取能力的序列识别问题。“Bus Driver”问题需要在动态干扰中识别顺序发生的时间，如下图。

深度神经网络算法将一个神经元作为出发器，另一个作为输出，设定4个输入，随机在某一个端口输入1，其他输入0，对应a/b/c/d中的某一个字母，如a之后出现了第一个b，网络就输出零，反之则输出0，即可实现“Bus Driver”。

（1）性能函数。神经网络是建立在模拟神经元连接权值上，进行计算分析的。因而，学习算法就是调节网络节点权值的算法。

（2）深度神经网络学习算法。BP算法是经典的训练前馈网络算法之一，BPTP算法则是对其进行扩展，以无限深度神经网络作为回复式网络，结合阶段训练方法与连续训练方法，可实现Epoch-BPTT、Real-BPTT两种经典算法。这里采取长短时记忆来改善梯度爆炸和梯度消失问题。

4 结束语

无限深度神经网络算法在当代有着越来越广泛的关注，是当下乃至未来几年的焦点问题。无限深度神经网络拥有极大的潜力，有极强的数据分析计算能力，在未来也将会有更多的理论与更先进的方法被提出，其应用效果也将不断提升，推动大数据分析技术不断地发展。

参考文献：

[1]孙慧婷，闫磊.基于大数据分析的复值BP神经网络方法[J].佳木斯大学学报（自然科学版），2018，v.36;No.155（04）：55-58.