技術(shù)特征：

1.一種基于泊松-伽瑪置信網(wǎng)絡(luò)主題模型的文本分析方法，包括如下步驟：

(1)建立訓(xùn)練集和測(cè)試集：

(1a)從文本語(yǔ)料庫(kù)中隨機(jī)選取訓(xùn)練文本集和測(cè)試文本集；

(1b)采用詞袋方法，將訓(xùn)練文本集和測(cè)試文本集的格式由文本信息轉(zhuǎn)化為數(shù)字信息的訓(xùn)練集和測(cè)試集；

(2)設(shè)置泊松-伽瑪置信網(wǎng)絡(luò)及其參數(shù)：

(2a)設(shè)置泊松-伽瑪置信網(wǎng)絡(luò)的總網(wǎng)絡(luò)層數(shù)、輸入層維度、隱層維度、輸出層內(nèi)容；

(2b)設(shè)置泊松-伽瑪置信網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)；

(2c)在{1000,1500}兩個(gè)值中任意選取一個(gè)值作為訓(xùn)練迭代次數(shù)；

(2d)將測(cè)試迭代次數(shù)設(shè)置為1500次；

(3)對(duì)泊松-伽瑪置信網(wǎng)絡(luò)進(jìn)行分層：

(3a)將泊松-伽瑪置信網(wǎng)絡(luò)的第1層作為第1個(gè)子網(wǎng)絡(luò)；

(3b)將泊松-伽瑪置信網(wǎng)絡(luò)的第1層和第2層，作為第2個(gè)子網(wǎng)絡(luò)；

(3c)將泊松-伽瑪置信網(wǎng)絡(luò)的第1層、第2層和第3層，作為第3個(gè)子網(wǎng)絡(luò)；

(3d)將泊松-伽瑪置信網(wǎng)絡(luò)的第1層、第2層、第3層和第4層，作為第4個(gè)子網(wǎng)絡(luò)；

(3e)將泊松-伽瑪置信網(wǎng)絡(luò)的第1層、第2層、第3層、第4層和第5層，作為第5個(gè)子網(wǎng)絡(luò)；

(4)對(duì)第1個(gè)子網(wǎng)絡(luò)的參數(shù)進(jìn)行初始化；

(4a)按照下式，對(duì)第1個(gè)子網(wǎng)絡(luò)的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的字典矩陣進(jìn)行初始化；

φ_a⁽¹⁾～Dir(η⁽¹⁾,....,η⁽¹⁾)

其中，φ_a⁽¹⁾表示第1個(gè)子網(wǎng)絡(luò)第1層初始化后的字典矩陣第a列的所有元素，a的取值范圍是{1,2,....,K_1max}，K_1max表示所有子網(wǎng)絡(luò)第一個(gè)隱層維度的最大值，～表示等價(jià)關(guān)系符號(hào)，Dir表示狄利克雷分布，η⁽¹⁾表示第1個(gè)子網(wǎng)絡(luò)第1層狄利克雷分布的參數(shù)；

(4b)按照下式，對(duì)第1個(gè)子網(wǎng)絡(luò)的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的概率分布對(duì)應(yīng)參數(shù)和超參數(shù)進(jìn)行初始化；

p_i⁽¹⁾＝1-e^-1

其中，p_i⁽¹⁾表示第1個(gè)子網(wǎng)絡(luò)初始化后的第1層中服從負(fù)二項(xiàng)式分布的第i個(gè)樣本的參數(shù)；

r_m～Gamma(γ₀/K_1max,1/c₀)

其中，r_m表示第1個(gè)子網(wǎng)絡(luò)初始化后的頂層生成向量的第m個(gè)元素，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，γ₀＝1，K_1max表示所有子網(wǎng)絡(luò)第一個(gè)隱層維度的最大值，γ₀/K_1max表示伽瑪分布的形狀參數(shù)，c₀＝1，表示伽瑪分布尺度參數(shù)的倒數(shù)；

(4c)按照下式，對(duì)第1個(gè)子網(wǎng)絡(luò)的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的隱層單元矩陣進(jìn)行初始化；

${{\mathrm{\θ}}_h}^{\left(1\right)}~Gamma\[r,\frac{{p_i}^{\left(1\right)}}{1-{p_i}^{\left(1\right)}}\]$

其中，θ_h⁽¹⁾表示第1個(gè)子網(wǎng)絡(luò)初始化后的第1層隱層單元矩陣第h列的所有元素，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，r表示頂層的生成向量，p_i⁽¹⁾表示第1層中服從負(fù)二項(xiàng)式分布的第i個(gè)樣本的參數(shù)，h與i的大小相等；

(5)判斷當(dāng)前子網(wǎng)絡(luò)的網(wǎng)絡(luò)層數(shù)是否為2，若是，則執(zhí)行步驟(6)，否則，執(zhí)行步驟(7)；

(6)對(duì)第2個(gè)子網(wǎng)絡(luò)的參數(shù)進(jìn)行初始化：

(6a)將第1個(gè)子網(wǎng)絡(luò)中的全局參數(shù)值，作為第2個(gè)子網(wǎng)絡(luò)全局參數(shù)的初始值；

(6b)按照下式，對(duì)第2個(gè)子網(wǎng)絡(luò)頂層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的字典矩陣進(jìn)行初始化；

φ_b^(T)～Dir(τ^(T),....,τ^(T))

其中，φ_b^(T)表示第2個(gè)子網(wǎng)絡(luò)頂層初始化后的字典矩陣第b列的所有元素，b的取值范圍是{1,2,....,K_T}，K_T表示第2個(gè)子網(wǎng)絡(luò)頂層的維度值，～表示等價(jià)關(guān)系符號(hào)，Dir表示狄利克雷分布，τ^(T)表示第2個(gè)子網(wǎng)絡(luò)第T層狄利克雷分布參數(shù)的初始值；

(6c)按照下式，對(duì)第2個(gè)子網(wǎng)絡(luò)的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的概率分布對(duì)應(yīng)的參數(shù)和超參數(shù)進(jìn)行初始化；

p_c⁽²⁾～Beta(a₀,b₀)

其中，p_c⁽²⁾表示第2個(gè)子網(wǎng)絡(luò)初始化后的第2層中服從負(fù)二項(xiàng)式分布的第c個(gè)樣本的參數(shù)，～表示等價(jià)關(guān)系符號(hào)，Beta表示貝塔分布，a₀表示貝塔分布的參數(shù)1，a₀＝0.01，b₀表示貝塔分布的參數(shù)2，b₀＝0.01；

c_d⁽²⁾＝(1-p_c⁽²⁾)/p_c⁽²⁾

其中，c_d⁽²⁾表示第2個(gè)子網(wǎng)絡(luò)初始化后的第2層伽瑪分布尺度參數(shù)的倒數(shù)，d表示輸入數(shù)據(jù)中的第d個(gè)樣本，p_c⁽²⁾表示第2個(gè)子網(wǎng)絡(luò)的第2層中服從負(fù)二項(xiàng)式分布的第c個(gè)樣本的參數(shù)，d與c的大小相等；

c_e⁽³⁾～Gamma(e₀,1/f₀)

其中，c_e⁽³⁾表示第2個(gè)子網(wǎng)絡(luò)的下一個(gè)子網(wǎng)絡(luò)的第3層初始化后的伽瑪分布尺度參數(shù)的倒數(shù)值，e表示輸入數(shù)據(jù)中的第e個(gè)樣本，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，e₀表示伽瑪分布的形狀參數(shù)，e₀＝1，f₀表示伽瑪分布尺度參數(shù)的倒數(shù)值，f₀＝1；

(6d)按照下式，對(duì)第2個(gè)子網(wǎng)絡(luò)頂層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的生成向量進(jìn)行初始化；

r_m～Gamma(γ₀/K_T,1/c₀)

其中，r_m表示第2個(gè)子網(wǎng)絡(luò)初始化后的頂層生成向量的第m個(gè)元素，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，γ₀＝1，K_T表示頂層的維度值，c₀表示伽瑪分布尺度參數(shù)的倒數(shù)值，c₀＝1；

(6e)按照下式，對(duì)第2個(gè)子網(wǎng)絡(luò)頂層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的隱層單元矩陣進(jìn)行初始化；

${{\mathrm{\θ}}_g}^{\left(2\right)}~Gamma(r,\frac{1}{{c_e}^{\left(3\right)}})$

其中，θ_g⁽²⁾表示第2個(gè)子網(wǎng)絡(luò)頂層初始化后的隱層單元矩陣第g列的所有元素，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，r表示頂層的生成向量，表示第2個(gè)子網(wǎng)絡(luò)的下一個(gè)子網(wǎng)絡(luò)的第3層伽瑪分布的尺度參數(shù)，e表示輸入數(shù)據(jù)中的第e個(gè)樣本，g與e的大小相等；

(6f)按照下式，對(duì)第2個(gè)子網(wǎng)絡(luò)第1層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的隱層單元矩陣進(jìn)行初始化；

${{\mathrm{\θ}}_h}^{\left(1\right)}~Gamma({\mathrm{\Φ}}^{\left(2\right)}{{\mathrm{\θ}}_g}^{\left(2\right)},\frac{1}{{c_d}^{\left(2\right)}})$

其中，θ_h⁽¹⁾表示第2個(gè)子網(wǎng)絡(luò)第1層初始化后的隱層單元矩陣第h列的所有元素，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，Φ⁽²⁾θ_g⁽²⁾表示第2個(gè)子網(wǎng)絡(luò)的第2層伽瑪分布的形狀參數(shù)，Φ⁽²⁾表示第2個(gè)子網(wǎng)絡(luò)的第2層字典矩陣，θ_g⁽²⁾表示第2個(gè)子網(wǎng)絡(luò)的第2層隱層單元矩陣第g列的所有元素，表示第2個(gè)子網(wǎng)絡(luò)的第2層伽瑪分布的尺度參數(shù)，d表示輸入數(shù)據(jù)中的第d個(gè)樣本，h、g與d的大小相等；

(7)對(duì)當(dāng)前子網(wǎng)絡(luò)的參數(shù)進(jìn)行初始化：

(7a)將上一個(gè)子網(wǎng)絡(luò)中的全局參數(shù)值，作為當(dāng)前子網(wǎng)絡(luò)全局參數(shù)的初始值；

(7b)對(duì)當(dāng)前子網(wǎng)絡(luò)頂層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的字典矩陣進(jìn)行初始化；

φ_W^(T)～Dir(ι^(T),....,ι^(T))

其中，φ_W^(T)表示當(dāng)前子網(wǎng)絡(luò)頂層初始化后的字典矩陣第W列的所有元素，W的取值范圍是{1,2,....,K_T}，K_T表示頂層的維度值,～表示等價(jià)關(guān)系符號(hào)，Dir表示狄利克雷分布，ι^(T)表示當(dāng)前子網(wǎng)絡(luò)頂層的狄利克雷分布參數(shù)；

(7c)按照下式，對(duì)當(dāng)前子網(wǎng)絡(luò)的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的概率分布對(duì)應(yīng)的參數(shù)和超參數(shù)進(jìn)行初始化；

p_r^(T)＝-ln(1-p_y^(T-1))/[c_u^(T)-ln(1-p_y^(T-1))]

其中，p_r^(T)表示當(dāng)前子網(wǎng)絡(luò)頂層初始化后服從負(fù)二項(xiàng)式分布的第r個(gè)樣本的參數(shù)，ln表示對(duì)數(shù)符號(hào)，p_y^(T-1)表示上一個(gè)子網(wǎng)絡(luò)的頂層中服從負(fù)二項(xiàng)式分布的第y個(gè)樣本的參數(shù)，c_u^(T)表示當(dāng)前子網(wǎng)絡(luò)頂層伽瑪分布尺度參數(shù)的倒數(shù)值，u表示輸入數(shù)據(jù)中的第u個(gè)樣本，r、y與u的大小相等；

c_l^(T+1)～Gamma(e₀,1/f₀)

其中，c_l^(T+1)表示當(dāng)前子網(wǎng)絡(luò)的下一個(gè)子網(wǎng)絡(luò)的頂層伽瑪分布尺度參數(shù)的倒數(shù)值，l表示輸入數(shù)據(jù)中的第l個(gè)樣本，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，e₀表示伽瑪分布的形狀參數(shù)，e₀＝1，f₀表示伽瑪分布尺度參數(shù)的倒數(shù)值，f₀＝1；

(7d)按照下式，對(duì)當(dāng)前子網(wǎng)絡(luò)頂層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的生成向量進(jìn)行初始化；

r_m～Gamma(γ₀/K_T,1/c₀)

其中，r_m表示當(dāng)前子網(wǎng)絡(luò)頂層初始化后的生成向量的第m個(gè)元素，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，γ₀＝1，K_T表示頂層的維度值，c₀表示伽瑪分布尺度參數(shù)的倒數(shù)值，c₀＝1；

(7e)按照下式，對(duì)當(dāng)前子網(wǎng)絡(luò)頂層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的隱層單元矩陣進(jìn)行初始化；

${{\mathrm{\θ}}_o}^{\left(T\right)}~Gamma(r,\frac{1}{{c_l}^{(T+1)}})$

其中，θ_o^(T)表示當(dāng)前子網(wǎng)絡(luò)頂層初始化后的隱層單元矩陣第o列的所有元素，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，r表示頂層的生成向量，表示第T+1層伽瑪分布的尺度參數(shù)，l表示輸入數(shù)據(jù)中的第l個(gè)樣本，o與l的大小相等；

(7f)按照下式，對(duì)當(dāng)前子網(wǎng)絡(luò)除頂層以外每一層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的隱層單元矩陣進(jìn)行初始化；

${{\mathrm{\θ}}_j}^{\left(t\right)}~Gamma({\mathrm{\Φ}}^{(t+1)}{{\mathrm{\θ}}_w}^{(t+1)},\frac{1}{{c_x}^{(t+1)}})$

其中，θ_j^(t)表示當(dāng)前子網(wǎng)絡(luò)第t層初始化后的隱層單元矩陣第j列的所有元素，t的取值范圍是{T-1，....,2,1}，T表示當(dāng)前子網(wǎng)絡(luò)的層數(shù)，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，Φ^(t+1)θ_w^(t+1)表示當(dāng)前子網(wǎng)絡(luò)的第t+1層伽瑪分布的形狀參數(shù)，Φ^(t+1)表示當(dāng)前子網(wǎng)絡(luò)的第t+1層字典矩陣，θ_w^(t+1)表示當(dāng)前子網(wǎng)絡(luò)的第t+1層隱層單元矩陣第w列的所有元素，w表示輸入數(shù)據(jù)中的第w個(gè)樣本,表示第t+1層伽瑪分布的尺度參數(shù)，x表示輸入數(shù)據(jù)中的第x個(gè)樣本,j、w與x的大小相等；

(8)訓(xùn)練當(dāng)前子網(wǎng)絡(luò)：

(8a)按照從底層到頂層的順序，對(duì)當(dāng)前子網(wǎng)絡(luò)每一層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的對(duì)應(yīng)參數(shù)和全局參數(shù)字典矩陣進(jìn)行更新；

(8b)將當(dāng)前子網(wǎng)絡(luò)的頂層作為當(dāng)前訓(xùn)練層，對(duì)泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的對(duì)應(yīng)參數(shù)、全局參數(shù)生成向量和隱層單元矩陣進(jìn)行更新；

(8c)將當(dāng)前子網(wǎng)絡(luò)的第T-1層、第T-2層直到第一層依次作為當(dāng)前訓(xùn)練層；

(8d)對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的對(duì)應(yīng)參數(shù)和隱層單元矩陣進(jìn)行更新；

(8e)對(duì)當(dāng)前子網(wǎng)絡(luò)的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的概率分布對(duì)應(yīng)的參數(shù)和超參數(shù)進(jìn)行更新；

(9)判斷當(dāng)前子網(wǎng)絡(luò)的訓(xùn)練次數(shù)是否等于訓(xùn)練迭代次數(shù)，若是，則執(zhí)行步驟(10)，否則，執(zhí)行步驟(8)；

(10)將訓(xùn)練后的當(dāng)前子網(wǎng)絡(luò)的字典矩陣和生成向量等全局參數(shù)保存在Matlab工作空間中，并作為當(dāng)前子網(wǎng)絡(luò)的全局參數(shù)；

(11)測(cè)試當(dāng)前子網(wǎng)絡(luò)：

(11a)將帶有標(biāo)號(hào)的訓(xùn)練集和測(cè)試集一起作為當(dāng)前子網(wǎng)絡(luò)的輸入數(shù)據(jù)；

(11b)將當(dāng)前子網(wǎng)絡(luò)的頂層作為當(dāng)前訓(xùn)練層，對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的對(duì)應(yīng)參數(shù)和隱層單元矩陣進(jìn)行更新；

(11c)將當(dāng)前子網(wǎng)絡(luò)的第T-1層、第T-2層直到第一層依次作為當(dāng)前訓(xùn)練層；

(11d)對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的對(duì)應(yīng)參數(shù)和隱層單元矩陣進(jìn)行更新；

(12)判斷當(dāng)前子網(wǎng)絡(luò)的測(cè)試次數(shù)是否等于測(cè)試迭代次數(shù)，若是，執(zhí)行步驟(13)，否則，執(zhí)行步驟(11)；

(13)對(duì)文本進(jìn)行分類(lèi)；

(13a)利用帶有標(biāo)號(hào)的訓(xùn)練集和更新后的隱層單元矩陣和參數(shù)，對(duì)支持向量機(jī)SVM分類(lèi)器進(jìn)行訓(xùn)練；

(13b)支持向量機(jī)SVM分類(lèi)器對(duì)測(cè)試集進(jìn)行分類(lèi)，輸出預(yù)測(cè)的文本類(lèi)別；

(13c)比較測(cè)試集的預(yù)測(cè)文本類(lèi)別和標(biāo)準(zhǔn)文本類(lèi)別，輸出當(dāng)前子網(wǎng)絡(luò)的文本分類(lèi)正確率；

(14)判斷當(dāng)前子網(wǎng)絡(luò)的網(wǎng)絡(luò)層數(shù)是否為5，若是，則執(zhí)行步驟(15)，否則，將下一個(gè)子網(wǎng)絡(luò)作為當(dāng)前子網(wǎng)絡(luò)，執(zhí)行步驟(5)；

(15)輸出文本分類(lèi)正確率和預(yù)測(cè)文本類(lèi)別：

(15a)從五個(gè)子網(wǎng)絡(luò)的文本分類(lèi)正確率中選取最大的文本分類(lèi)正確率；

(15b)輸出最大的文本分類(lèi)正確率及其與該正確率對(duì)應(yīng)的子網(wǎng)絡(luò)的預(yù)測(cè)文本類(lèi)別。

2.根據(jù)權(quán)利要求1所述的基于泊松-伽瑪置信網(wǎng)絡(luò)主題模型的文本分析方法，其特征在于，步驟(2a)中所述的泊松-伽瑪置信網(wǎng)絡(luò)的總網(wǎng)絡(luò)層數(shù)、輸入層維度、隱層維度、輸出層內(nèi)容設(shè)置如下：總網(wǎng)絡(luò)層數(shù)為5層，輸入層的維度值與文本語(yǔ)料庫(kù)對(duì)應(yīng)的詞表維度值相等，在{50,100,200,400,600,800}六個(gè)值中任意選取一個(gè)值作為所有子網(wǎng)絡(luò)第一層隱層維度的最大值，并且所有子網(wǎng)絡(luò)中第一層隱層維度為其他層隱層維度的上限；輸出層輸出文本分類(lèi)正確率和預(yù)測(cè)文本類(lèi)別。

3.根據(jù)權(quán)利要求1所述的基于泊松-伽瑪置信網(wǎng)絡(luò)主題模型的文本分析方法，其特征在于，步驟(2b)中所述設(shè)置的泊松-伽瑪置信網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)包括：輸入數(shù)據(jù)、先驗(yàn)分布為狄利克雷分布的全局參數(shù)字典矩陣、先驗(yàn)分布為伽瑪分布的隱層單元矩陣、生成向量、層內(nèi)增廣矩陣和層間增廣矩陣以及涉及到的概率分布對(duì)應(yīng)的參數(shù)和超參數(shù)。

4.根據(jù)權(quán)利要求1所述的基于泊松-伽瑪置信網(wǎng)絡(luò)主題模型的文本分析方法，其特征在于，步驟(8a)中所述對(duì)當(dāng)前子網(wǎng)絡(luò)每一層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的對(duì)應(yīng)參數(shù)和全局參數(shù)字典矩陣進(jìn)行更新的具體步驟如下：

第1步，將當(dāng)前子網(wǎng)絡(luò)的第一層、第二層直到頂層依次作為當(dāng)前訓(xùn)練層；

第2步，按照下式，對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的層內(nèi)增廣矩陣，針對(duì)當(dāng)前訓(xùn)練層的維度進(jìn)行多項(xiàng)式采樣；

$\left\{({x_{vn1}}^{\left(t\right)},{x_{vn2}}^{\left(t\right)},\mathrm{...},{x_{{\mathrm{vnK}}_t}}^{\left(t\right)})\right|{x_{vn}}^{\left(t\right)},{{\mathrm{\φ}}_{s:}}^{\left(t\right)},{{\mathrm{\θ}}_j}^{\left(t\right)}\}~Mult({x_{vn}}^{\left(t\right)},\frac{{{\mathrm{\φ}}_{s1}}^{\left(t\right)}{{\mathrm{\θ}}_{1j}}^{\left(t\right)}}{{\Σ}_{k=1}^{K_t}{{\mathrm{\φ}}_{sk}}^{\left(t\right)}{{\mathrm{\θ}}_{kj}}^{\left(t\right)}},\mathrm{...},\frac{{{\mathrm{\φ}}_{{\mathrm{sK}}_t}}^{\left(t\right)}{{\mathrm{\θ}}_{K_{i}j}}^{\left(t\right)}}{{\Σ}_{k=1}^{K_t}{{\mathrm{\φ}}_{sk}}^{\left(t\right)}{{\mathrm{\θ}}_{kj}}^{\left(t\right)}})$

其中，表示對(duì)x_vn^(t)針對(duì)當(dāng)前子網(wǎng)絡(luò)的當(dāng)前訓(xùn)練層的維度進(jìn)行多項(xiàng)式采樣的結(jié)果，每一個(gè)都是維度為V*N的矩陣，V表示當(dāng)前子網(wǎng)絡(luò)的當(dāng)前訓(xùn)練層輸入數(shù)據(jù)矩陣的維度值，N表示樣本個(gè)數(shù)，v的取值范圍是{1,2,....,K_t-1}，K_t-1表示當(dāng)前子網(wǎng)絡(luò)的第t-1層隱層的維度值，n表示輸入數(shù)據(jù)中的第n個(gè)樣本，K_t表示當(dāng)前子網(wǎng)絡(luò)的當(dāng)前訓(xùn)練層的維度值，v與n固定時(shí)，分別對(duì)應(yīng)一個(gè)元素，x_vn^(t)表示當(dāng)前子網(wǎng)絡(luò)的當(dāng)前訓(xùn)練層的層內(nèi)增廣矩陣，φ_s:^(t)表示s的取值范圍是{1,2,....,K_t-1}，分別表示當(dāng)前訓(xùn)練層字典矩陣第1,2,....,k,....,K_t列的所有元素，θ_j^(t)表示當(dāng)前子網(wǎng)絡(luò)的當(dāng)前訓(xùn)練層隱層單元矩陣第j列的所有元素，～表示等價(jià)關(guān)系符號(hào)，Mult表示多項(xiàng)式分布，分別表示當(dāng)前訓(xùn)練層隱層單元矩陣第1,2,....,k,....,K_t行的所有元素，v與s的大小相等，n與j的大小相等；

第3步，按照下式，根據(jù)層間增廣矩陣的后驗(yàn)概率，對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的層間增廣矩陣進(jìn)行更新；

${m_{pf}}^{\left(t\right)(t+1)}={\Σ}_{v=1}^{K_{t-1}}{x_{vzn}}^{\left(t\right)}$

其中，m_pf^(t)(t+1)表示當(dāng)前子網(wǎng)絡(luò)的第t層層內(nèi)增廣矩陣與第t+1層層內(nèi)增廣矩陣之間的關(guān)系，p的取值范圍是{1,2,....,K_t}，K_t表示當(dāng)前子網(wǎng)絡(luò)的第t層隱層的維度值，f表示輸入數(shù)據(jù)中的第f個(gè)樣本，K_t-1表示當(dāng)前子網(wǎng)絡(luò)的第t-1層隱層的維度值，x_vzn^(t)表示第2步采樣結(jié)果中對(duì)應(yīng)的元素，p與z的大小相等，f與n的大小相等；

第4步，按照下式，根據(jù)層內(nèi)增廣矩陣的后驗(yàn)概率，對(duì)當(dāng)前訓(xùn)練層下一層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的層內(nèi)增廣矩陣進(jìn)行更新；

(x_JI^(t+1)|m_pf^(t)(t+1),φ_S:^(t+1),θ_w^(t+1))～CRT(m_pf^(t)(t+1),φ_S:^(t+1),θ_w^(t+1))

其中，x_JI^(t+1)表示當(dāng)前子網(wǎng)絡(luò)第t+1層的層內(nèi)增廣矩陣，J的取值范圍是{1,2,....,K_t+1}，K_t+1表示當(dāng)前子網(wǎng)絡(luò)的第t+1層隱層的維度值，I表示輸入數(shù)據(jù)中的第I個(gè)樣本，m_pf^(t)(t+1)表示當(dāng)前子網(wǎng)絡(luò)的第t層層內(nèi)增廣矩陣與第t+1層層內(nèi)增廣矩陣之間的關(guān)系，p的取值范圍是{1,2,....,K_t},K_t表示當(dāng)前子網(wǎng)絡(luò)的第t層隱層的維度值,f表示第f個(gè)樣本，φ_S:^(t+1)表示S的取值范圍是{1,2,....,K_t}，分別表示當(dāng)前子網(wǎng)絡(luò)的第t+1層字典矩陣第1,2,....,K_t列的所有元素，θ_w^(t+1)表示當(dāng)前子網(wǎng)絡(luò)的第t+1層隱層單元矩陣第w列的所有元素，CRT表示中國(guó)餐館過(guò)程中的最大餐桌分布，J、p與S的大小相等，I、f與w的大小相等；

第5步，按照下式，根據(jù)字典矩陣的后驗(yàn)概率，對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的字典矩陣進(jìn)行更新；

$P\left({{\mathrm{\φ}}_Z}^{\left(t\right)}\right|-)~\mathrm{Dir}({\mathrm{\λ}}^{\left(t\right)}+{x_{1.z}}^{\left(t\right)},{\mathrm{\λ}}^{\left(t\right)}+{x_{2.z}}^{\left(t\right)},...,{\mathrm{\λ}}^{\left(t\right)}+{x_{K_{t-1}.z}}^{\left(t\right)})$

其中，φ_Z^(t)表示當(dāng)前子網(wǎng)絡(luò)的當(dāng)前訓(xùn)練層更新后的字典矩陣第Z列的所有元素，～表示等價(jià)關(guān)系符號(hào)，Dir表示狄利克雷分布，λ^(t)表示當(dāng)前子網(wǎng)絡(luò)的當(dāng)前訓(xùn)練層狄利克雷的分布參數(shù)，分別對(duì)應(yīng)第2步采樣結(jié)果中的元素，K_t-1表示當(dāng)前子網(wǎng)絡(luò)的第t-1層隱層的維度值，Z與z的大小相等。

5.根據(jù)權(quán)利要求1所述的基于泊松-伽瑪置信網(wǎng)絡(luò)主題模型的文本分析方法，其特征在于，步驟(8b)中所述對(duì)泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的對(duì)應(yīng)參數(shù)、全局參數(shù)生成向量和隱層單元矩陣進(jìn)行更新的具體步驟如下：

第1步，按照下式，根據(jù)層內(nèi)增廣矩陣的后驗(yàn)概率，對(duì)第T+1層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的層內(nèi)增廣矩陣進(jìn)行更新；

(x_HG^(T+1)|m_PF^(T)(T+1),r)～CRT(m_PF^(T)(T+1),r)

其中，x_HG^(T+1)表示當(dāng)前子網(wǎng)絡(luò)第T+1層的層內(nèi)增廣矩陣，H的取值范圍是{1,2,....,K_T+1}，K_T+1表示當(dāng)前子網(wǎng)絡(luò)的第T+1層隱層的維度值，G表示輸入數(shù)據(jù)中的第G個(gè)樣本，m_PF^(T)(T+1)表示當(dāng)前子網(wǎng)絡(luò)的第T層層內(nèi)增廣矩陣與第T+1層層內(nèi)增廣矩陣之間的關(guān)系，P的取值范圍是{1,2,....,K_T},K_T表示頂層的維度值,F表示第F個(gè)樣本，r表示頂層的生成向量，CRT表示中國(guó)餐館過(guò)程中的最大餐桌分布，H與P的大小相等，G與F的大小相等；

第2步，按照下式，根據(jù)生成向量的后驗(yàn)概率，對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的生成向量進(jìn)行更新；

$P\left(r_m\right|-)~Gamma(\frac{{\mathrm{\γ}}_0}{K_T}+{x_{L.}}^{(T+1)},{\[c_0-\underset{R}{\Σ}\ln (1-{p_R}^{(T+1)})\]}^{-1})$

其中，r_m表示當(dāng)前子網(wǎng)絡(luò)的當(dāng)前訓(xùn)練層更新后的生成向量的第m個(gè)元素，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，γ₀＝1，K_T表示當(dāng)前子網(wǎng)絡(luò)頂層的維度值，x_L.^(T+1)表示當(dāng)前子網(wǎng)絡(luò)第T+1層的層內(nèi)增廣矩陣針對(duì)第T+1層隱層維度求和的結(jié)果，L表示當(dāng)前子網(wǎng)絡(luò)頂層的維度值，c₀＝1，ln表示對(duì)數(shù)符號(hào)，p_R^(T+1)表示第T+1層中服從負(fù)二項(xiàng)式分布的第R個(gè)樣本的參數(shù)，m與L的大小相等；

第3步，按照下式，根據(jù)參數(shù)的后驗(yàn)概率，對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的對(duì)應(yīng)的參數(shù)進(jìn)行更新；

P(c_l^(T+1)|-)～Gamma(e₀+r.,[f₀+θ_.o^(T)]^-1)

其中，c_l^(T+1)表示當(dāng)前子網(wǎng)絡(luò)的第T+1層更新后的伽瑪分布尺度參數(shù)的倒數(shù)值，l表示輸入數(shù)據(jù)中的第l個(gè)樣本，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，e₀＝1，r.表示頂層的生成向量針對(duì)頂層維度求和的結(jié)果，f₀＝1，K_T表示當(dāng)前子網(wǎng)絡(luò)頂層隱層的維度值，θ_Do^(T)表示當(dāng)前子網(wǎng)絡(luò)的頂層隱層單元矩陣的第D行、第o列元素，l與o的大小相等；

${p_r}^{\left(T\right)}=\frac{-ln(1-{p_y}^{(T-1)})}{\[{c_u}^{\left(T\right)}-ln(1-{p_y}^{(T-1)}\]}$

其中，p_r^(T)表示當(dāng)前子網(wǎng)絡(luò)頂層更新后的服從負(fù)二項(xiàng)式分布的第r個(gè)樣本的參數(shù)，p_y^(T-1)表示當(dāng)前子網(wǎng)絡(luò)的第T-1層中服從負(fù)二項(xiàng)式分布的第y個(gè)樣本的參數(shù)，c_u^(T)表示當(dāng)前子網(wǎng)絡(luò)頂層的伽瑪分布尺度參數(shù)的倒數(shù)值，u表示輸入數(shù)據(jù)中的第u個(gè)樣本，r、y與u的大小相等；

第4步，按照下式，根據(jù)隱層單元矩陣的后驗(yàn)概率，對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的隱層單元矩陣進(jìn)行更新；

P(θ_o^(T)|-)～Gamma(r+m_F^(T)(T+1),[c_l^(T+1)-ln(1-p_r^(T))]^-1)

其中，θ_o^(T)表示當(dāng)前子網(wǎng)絡(luò)頂層更新后的隱層單元矩陣第o列的所有元素，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，r表示頂層的生成向量，m_F^(T)(T+1)表示當(dāng)前子網(wǎng)絡(luò)的第T層層內(nèi)增廣矩陣與第T+1層層內(nèi)增廣矩陣之間的關(guān)系，F(xiàn)表示輸入數(shù)據(jù)中的第F個(gè)樣本，c_l^(T+1)表示當(dāng)前子網(wǎng)絡(luò)的第T+1層伽瑪分布尺度參數(shù)的倒數(shù)值，l表示第l個(gè)樣本，p_r^(T)表示當(dāng)前子網(wǎng)絡(luò)的第T層中服從負(fù)二項(xiàng)式分布的第r個(gè)樣本的參數(shù)，o、F、l與r的大小相等。

6.根據(jù)權(quán)利要求1所述的基于泊松-伽瑪置信網(wǎng)絡(luò)主題模型的文本分析方法，其特征在于，步驟(8d)中所述對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的對(duì)應(yīng)參數(shù)和隱層單元矩陣進(jìn)行更新的具體步驟如下：

第1步，按照下式，根據(jù)參數(shù)的后驗(yàn)概率，對(duì)當(dāng)前訓(xùn)練層上一層中對(duì)當(dāng)前訓(xùn)練層具有影響的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的參數(shù)進(jìn)行更新；

P(c_x^(t+1)|-)～Gamma(e₀+θ_.w^(t+1),[f₀+θ_.j^(t)]^-1)

其中，c_x^(t+1)表示當(dāng)前子網(wǎng)絡(luò)的當(dāng)前訓(xùn)練層的上一層更新后的伽瑪分布尺度參數(shù)的倒數(shù)值，x表示輸入數(shù)據(jù)中的第x個(gè)樣本，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，e₀＝1，θ_.w^(t+1)表示當(dāng)前子網(wǎng)絡(luò)的第t+1層隱層單元矩陣針對(duì)第t+1層隱層維度求和的結(jié)果，w表示第w個(gè)樣本，f₀＝1，θ_.j^(t)表示當(dāng)前子網(wǎng)絡(luò)的第t層隱層單元矩陣針對(duì)第t層隱層維度求和的結(jié)果，j表示第j個(gè)樣本，x、w與j的大小相等；

第2步，按照下式，對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的對(duì)應(yīng)參數(shù)進(jìn)行更新；

${p_A}^{\left(t\right)}=\frac{-ln(1-{p_B}^{(t-1)})}{\[{c_E}^{\left(t\right)}-ln(1-{p_B}^{(t-1)}\]}$

其中，p_A^(t)表示當(dāng)前子網(wǎng)絡(luò)的當(dāng)前訓(xùn)練層更新后的服從負(fù)二項(xiàng)式分布的第A個(gè)樣本的參數(shù)，p_B^(t-1)表示當(dāng)前子網(wǎng)絡(luò)的第t-1層中服從負(fù)二項(xiàng)式分布的第B個(gè)樣本的參數(shù)，c_E^(t)表示當(dāng)前子網(wǎng)絡(luò)的t層伽瑪分布尺度參數(shù)的倒數(shù)，E表示輸入數(shù)據(jù)中的第E個(gè)樣本，A、B與E的大小相等；

第3步，按照下式，根據(jù)隱層單元矩陣的后驗(yàn)概率，對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的隱層單元矩陣進(jìn)行更新；

P(θ_j^(t)|-)～Gamma(Φ^(t+1)θ_w^(t+1)+m_f^(t)(t+1),[c_x^(t+1)-ln(1-p_A^(t))]^-1)

其中，θ_j^(t)表示當(dāng)前子網(wǎng)絡(luò)的當(dāng)前訓(xùn)練層更新后的隱層單元矩陣第j列的所有元素，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，Φ^(t+1)表示當(dāng)前子網(wǎng)絡(luò)的第t+1層字典矩陣，θ_w^(t+1)表示當(dāng)前子網(wǎng)絡(luò)的第t+1層隱層單元矩陣第w列的所有元素，m_f^(t)(t+1)表示當(dāng)前子網(wǎng)絡(luò)的第t層層內(nèi)增廣矩陣與第t+1層層內(nèi)增廣矩陣之間的關(guān)系，f表示輸入數(shù)據(jù)中的第f個(gè)樣本，c_x^(t+1)表示當(dāng)前子網(wǎng)絡(luò)的第t+1層伽瑪分布尺度參數(shù)的倒數(shù)值，x表示第x個(gè)樣本，p_A^(t)表示當(dāng)前子網(wǎng)絡(luò)的第t層中服從負(fù)二項(xiàng)式分布的第A個(gè)樣本的參數(shù)，j、w、f、x與A的大小相等。

7.根據(jù)權(quán)利要求1所述的基于泊松-伽瑪置信網(wǎng)絡(luò)主題模型的文本分析方法，其特征在于，步驟(8e)中所述對(duì)當(dāng)前子網(wǎng)絡(luò)的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的概率分布對(duì)應(yīng)的參數(shù)和超參數(shù)進(jìn)行更新的具體步驟如下：

第1步，按照下式，根據(jù)參數(shù)的后驗(yàn)概率，對(duì)當(dāng)前子網(wǎng)絡(luò)的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的概率分布對(duì)應(yīng)的參數(shù)和超參數(shù)進(jìn)行更新；

(p_c⁽²⁾|-)～Beta(a₀+m_.Q⁽¹⁾⁽²⁾,b₀+θ_.g⁽²⁾)

其中，p_c⁽²⁾表示當(dāng)前子網(wǎng)絡(luò)第2層更新后的服從負(fù)二項(xiàng)式分布的第c個(gè)樣本的參數(shù)，～表示等價(jià)關(guān)系符號(hào)，Beta表示貝塔分布，a₀表示貝塔分布參數(shù)1的初始值，a₀＝0.01，Q表示輸入數(shù)據(jù)中的第Q個(gè)樣本，K₀表示當(dāng)前子網(wǎng)絡(luò)輸入層的維度值，x_UO⁽¹⁾表示當(dāng)前子網(wǎng)絡(luò)輸入層的層內(nèi)增廣矩陣的第U行、第O列元素，b₀表示貝塔分布參數(shù)2的初始值，b₀＝0.01，θ_.g⁽²⁾表示當(dāng)前子網(wǎng)絡(luò)的第2層隱層單元矩陣針對(duì)第2層隱層維度求和的結(jié)果，g表示第g個(gè)樣本，c、Q與g的大小相等；

第2步，按照下式，對(duì)當(dāng)前子網(wǎng)絡(luò)的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的概率分布對(duì)應(yīng)的參數(shù)進(jìn)行更新；

c_d⁽²⁾＝(1-p_c⁽²⁾)/p_c⁽²⁾

其中，c_d⁽²⁾表示當(dāng)前子網(wǎng)絡(luò)第2層更新后的伽瑪分布尺度參數(shù)的倒數(shù)值，d表示輸入數(shù)據(jù)中的第d個(gè)樣本，p_c⁽²⁾表示當(dāng)前子網(wǎng)絡(luò)的第2層中服從負(fù)二項(xiàng)式分布的第c個(gè)樣本的參數(shù)，d與c的大小相等。

8.根據(jù)權(quán)利要求1所述的基于泊松-伽瑪置信網(wǎng)絡(luò)主題模型的文本分析方法，其特征在于，步驟(11b)中所述對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的對(duì)應(yīng)參數(shù)和隱層單元矩陣進(jìn)行更新的具體步驟如下：

第1步，按照下式，根據(jù)參數(shù)的后驗(yàn)概率，對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的對(duì)應(yīng)的參數(shù)進(jìn)行更新；

P(c_l^(T+1)|-)～Gamma(e₀+r.,[f₀+θ_.o^(T)]^-1)

其中，c_l^(T+1)表示當(dāng)前子網(wǎng)絡(luò)的第T+1層更新后的伽瑪分布尺度參數(shù)的倒數(shù)值，l表示輸入數(shù)據(jù)中的第l個(gè)樣本，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，e₀＝1，r.表示頂層的生成向量針對(duì)頂層維度求和的結(jié)果，f₀＝1，K_T表示當(dāng)前子網(wǎng)絡(luò)頂層的維度值，θ_Do^(T)表示當(dāng)前子網(wǎng)絡(luò)頂層的隱層單元矩陣的第D行、第o列元素，l與o的大小相等；

${p_r}^{\left(T\right)}=\frac{-ln(1-{p_y}^{(T-1)})}{\[{c_u}^{\left(T\right)}-ln(1-{p_y}^{(T-1)}\]}$

其中，p_r^(T)表示當(dāng)前子網(wǎng)絡(luò)頂層更新后的服從負(fù)二項(xiàng)式分布的第r個(gè)樣本的參數(shù)，p_y^(T-1)表示當(dāng)前子網(wǎng)絡(luò)的第T-1層中服從負(fù)二項(xiàng)式分布的第y個(gè)樣本的參數(shù)，c_u^(T)表示當(dāng)前子網(wǎng)絡(luò)頂層的伽瑪分布尺度參數(shù)的倒數(shù)值，u表示輸入數(shù)據(jù)中的第u個(gè)樣本，r、y與u的大小相等；

第2步，按照下式，根據(jù)隱層單元矩陣的后驗(yàn)概率，對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的隱層單元矩陣進(jìn)行更新；

P(θ_o^(T)|-)～Gamma(r+m_F^(T)(T+1),[c_l^(T+1)-ln(1-p_r^(T))]^-1)

其中，θ_o^(T)表示當(dāng)前子網(wǎng)絡(luò)頂層更新后的隱層單元矩陣第o列的所有元素，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，r表示頂層的生成向量，m_F^(T)(T+1)表示當(dāng)前子網(wǎng)絡(luò)的第T層層內(nèi)增廣矩陣與第T+1層層內(nèi)增廣矩陣之間的關(guān)系，F(xiàn)表示輸入數(shù)據(jù)中的第F個(gè)樣本，c_l^(T+1)表示當(dāng)前子網(wǎng)絡(luò)的第T+1層伽瑪分布尺度參數(shù)的倒數(shù)值，l表示第l個(gè)樣本，p_r^(T)表示當(dāng)前子網(wǎng)絡(luò)頂層中服從負(fù)二項(xiàng)式分布的第r個(gè)樣本的參數(shù)，o、F、l與r的大小相等。

9.根據(jù)權(quán)利要求1所述的基于泊松-伽瑪置信網(wǎng)絡(luò)主題模型的文本分析方法，其特征在于，步驟(11d)中所述對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的對(duì)應(yīng)參數(shù)和隱層單元矩陣進(jìn)行更新的具體步驟如下：

第1步，按照下式，根據(jù)參數(shù)的后驗(yàn)概率，對(duì)當(dāng)前訓(xùn)練層的上一層中對(duì)當(dāng)前訓(xùn)練層具有影響的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的參數(shù)進(jìn)行更新；

P(c_x^(t+1)|-)～Gamma(e₀+θ_.w^(t+1),[f₀+θ_.j^(t)]^-1)

其中，c_x^(t+1)表示當(dāng)前子網(wǎng)絡(luò)的當(dāng)前訓(xùn)練層的上一層更新后的伽瑪分布尺度參數(shù)的倒數(shù)值，x表示輸入數(shù)據(jù)中的第x個(gè)樣本，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，e₀＝1，θ_.w^(t+1)表示當(dāng)前子網(wǎng)絡(luò)的第t+1層隱層單元矩陣針對(duì)第t+1層隱層維度求和的結(jié)果，w表示第w個(gè)樣本，f₀＝1，θ_.j^(t)表示當(dāng)前子網(wǎng)絡(luò)的第t層隱層單元矩陣針對(duì)第t層隱層維度求和的結(jié)果，j表示第j個(gè)樣本，x、w與j的大小相等；

第2步，按照下式，對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的對(duì)應(yīng)參數(shù)進(jìn)行更新；

${p_A}^{\left(t\right)}=\frac{-ln(1-{p_B}^{(t-1)})}{\[{c_E}^{\left(t\right)}-ln(1-{p_B}^{(t-1)}\]}$

其中，p_A^(t)表示當(dāng)前子網(wǎng)絡(luò)的當(dāng)前訓(xùn)練層更新后的服從負(fù)二項(xiàng)式分布的第A個(gè)樣本的參數(shù)，p_B^(t-1)表示當(dāng)前子網(wǎng)絡(luò)的第t-1層中服從負(fù)二項(xiàng)式分布的第B個(gè)樣本的參數(shù)，c_E^(t)表示當(dāng)前子網(wǎng)絡(luò)的第t層伽瑪分布尺度參數(shù)的倒數(shù)值，E表示輸入數(shù)據(jù)中的第E個(gè)樣本，A、B與E的大小相等；

第3步，按照下式，根據(jù)隱層單元矩陣的后驗(yàn)概率，對(duì)當(dāng)前訓(xùn)練層的泊松-伽瑪置信網(wǎng)絡(luò)參數(shù)中所包含的隱層單元矩陣進(jìn)行更新；

P(θ_j^(t)|-)～Gamma(Φ^(t+1)θ_w^(t+1)+m_f^(t)(t+1),[c_x^(t+1)-ln(1-p_A^(t))]^-1)

其中，θ_j^(t)表示當(dāng)前子網(wǎng)絡(luò)的當(dāng)前訓(xùn)練層更新后的隱層單元矩陣第j列的所有元素，～表示等價(jià)關(guān)系符號(hào)，Gamma表示伽瑪分布，Φ^(t+1)表示當(dāng)前子網(wǎng)絡(luò)的第t+1層字典矩陣，θ_w^(t+1)表示當(dāng)前子網(wǎng)絡(luò)的第t+1層隱層單元矩陣第w列的所有元素，m_f^(t)(t+1)表示當(dāng)前子網(wǎng)絡(luò)的第t層層內(nèi)增廣矩陣與第t+1層層內(nèi)增廣矩陣之間的關(guān)系，f表示輸入數(shù)據(jù)中的第f個(gè)樣本，c_x^(t+1)表示當(dāng)前子網(wǎng)絡(luò)的第t+1層伽瑪分布尺度參數(shù)的倒數(shù)值，x表示第x個(gè)樣本，p_A^(t)表示當(dāng)前子網(wǎng)絡(luò)的第t層中服從負(fù)二項(xiàng)式分布的第A個(gè)樣本的參數(shù)，j、w、f、x與A的大小相等。