發(fā)布時(shí)間：2019-08-24 07:36

【摘要】：為克服手工設(shè)計(jì)特征的繁雜過(guò)程以及特征不通用性,提高氣體識(shí)別準(zhǔn)確率,提出一種基于深度學(xué)習(xí)的氣體定性識(shí)別方法,自動(dòng)提取自適應(yīng)的氣體數(shù)據(jù)特征。實(shí)驗(yàn)基于UCI機(jī)器學(xué)習(xí)氣體數(shù)據(jù)集,分別對(duì)比基于2層深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)-棧式降噪自動(dòng)編碼器以及淺層機(jī)器學(xué)習(xí)算法的氣體定性識(shí)別效果。實(shí)驗(yàn)結(jié)果表明,基于深度學(xué)習(xí)算法自動(dòng)提取特征的過(guò)程更簡(jiǎn)單、通用,提高了氣體識(shí)別的準(zhǔn)確率,改善了傳統(tǒng)方法的復(fù)雜流程。
【圖文】：

第３８卷第３期于萬(wàn)鈞，安改換，鹿文靜，等：基于棧式降噪自動(dòng)編碼器的氣體識(shí)別圖１傳感器陣列響應(yīng)值一個(gè)特征向量，從而最終構(gòu)成一個(gè)氣體樣本的表示，其過(guò)程是非常繁瑣的。本文提出了一種基于ＳｄＡ的氣體識(shí)別方法。首先介紹了一種深度學(xué)習(xí)結(jié)構(gòu)，然后設(shè)計(jì)了相應(yīng)的實(shí)驗(yàn)，對(duì)比了ＳＶＭ在原始?xì)怏w數(shù)據(jù)上，在手工提取特征以及ＰＣＡ線性降維的數(shù)據(jù)上的識(shí)別效果和棧式降噪自動(dòng)編碼器學(xué)習(xí)氣體數(shù)據(jù)的特征，然后利用Ｓｏｆｔｍａｘ分類(lèi)的效果。實(shí)驗(yàn)結(jié)果表明了該方法在缺少通用特征的氣體數(shù)據(jù)上的有效性和實(shí)用性，成功實(shí)現(xiàn)了提取自適應(yīng)的氣體數(shù)據(jù)的特征。１深度學(xué)習(xí)深度學(xué)習(xí)是一類(lèi)新興的多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，因其緩解了傳統(tǒng)的訓(xùn)練算法的局部最小性問(wèn)題，在機(jī)器學(xué)習(xí)領(lǐng)域引起了廣泛的關(guān)注［４］。其主要是通過(guò)組合低層特征形成更加抽象的高層表示屬性類(lèi)別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征。深度學(xué)習(xí)中最具代表性的一種訓(xùn)練模型－自動(dòng)編碼器，由于其處理效果在自然語(yǔ)言處理中效果顯著，引起研究人員的廣泛重視［５，６］。而降噪自動(dòng)編碼器從經(jīng)典自動(dòng)編碼器［７］擴(kuò)展而來(lái)，，棧式降噪自動(dòng)編碼器是在深度自動(dòng)編碼器的基礎(chǔ)上給訓(xùn)練數(shù)據(jù)加入噪聲，從而迫使編碼器去學(xué)習(xí)輸入信號(hào)的更加魯棒的表達(dá)，這也是它的泛化能力比一般編碼器強(qiáng)的主要原因。１．１降噪自動(dòng)編碼器自動(dòng)編碼器（ａｕｔｏ－ｅｎｃｏｄｅｒ）是根據(jù)輸入數(shù)據(jù)構(gòu)造含有參數(shù)的編碼函數(shù)獲得上一層的數(shù)據(jù)，然后通過(guò)上一層的數(shù)據(jù)利用帶參數(shù)的解碼函數(shù)重現(xiàn)輸入數(shù)據(jù)，最后通過(guò)最小化輸入數(shù)據(jù)和通過(guò)解碼函數(shù)得到的數(shù)據(jù)之間的損失去修改參數(shù)，進(jìn)而完成預(yù)訓(xùn)練［８］。其基本結(jié)構(gòu)如圖２所示。這里每個(gè)神經(jīng)元的激

動(dòng)編碼器從經(jīng)典自動(dòng)編碼器［７］擴(kuò)展而來(lái)，棧式降噪自動(dòng)編碼器是在深度自動(dòng)編碼器的基礎(chǔ)上給訓(xùn)練數(shù)據(jù)加入噪聲，從而迫使編碼器去學(xué)習(xí)輸入信號(hào)的更加魯棒的表達(dá)，這也是它的泛化能力比一般編碼器強(qiáng)的主要原因。１．１降噪自動(dòng)編碼器自動(dòng)編碼器（ａｕｔｏ－ｅｎｃｏｄｅｒ）是根據(jù)輸入數(shù)據(jù)構(gòu)造含有參數(shù)的編碼函數(shù)獲得上一層的數(shù)據(jù)，然后通過(guò)上一層的數(shù)據(jù)利用帶參數(shù)的解碼函數(shù)重現(xiàn)輸入數(shù)據(jù)，最后通過(guò)最小化輸入數(shù)據(jù)和通過(guò)解碼函數(shù)得到的數(shù)據(jù)之間的損失去修改參數(shù)，進(jìn)而完成預(yù)訓(xùn)練［８］。其基本結(jié)構(gòu)如圖２所示。這里每個(gè)神經(jīng)元的激活函數(shù)采用ｓｉｇｍｏｉｄ函數(shù)：ｆ（ｚ）＝１／（１＋ｅｘｐ（－ｚ）），其中ｚ是輸入到某個(gè)神經(jīng)元的權(quán)重輸入，即ｚ＝ｗｖ＋ｂ。一個(gè)自動(dòng)編碼器經(jīng)過(guò)訓(xùn)練把輸入ｖ編碼為某種表示ｃ（ｖ），從而使得輸入ｖ能夠從這種表示中被重構(gòu)。具體地為，輸入ｖ∈［０，１］ｄ并且將其映射（編碼）為一個(gè)隱藏層表示ｙ∈［０，１］ｄ，映射函數(shù)為：ｙ＝ｓ（ｗｖ＋ｂ），ｓ可以是像ｓｉｇｍｏｉｄ這樣的一個(gè)非線性函數(shù)。然后隱藏層表示ｙ又被映射回（解碼）到一個(gè)重構(gòu)的ｚ：ｚ＝ｓ（ｗ’ｙ＋ｂ’），一般地Ｗ’＝ＷＴ。所以，自動(dòng)編碼器的最終目標(biāo)就是最小化平均重構(gòu)誤差，同時(shí)這里選用交叉熵（ｃｒｏｓｓ－ｅｎｔｒｏｐｙ）作為誤差函數(shù)ＬＨ（ｘ，ｚ）＝－∑ｄｋ＝１［ｘｋｌｏｇｚｋ＋（１－ｘｋ）ｌｏｇ（１－ｚｋ）］（１）通過(guò)使用反向傳播算法就可以訓(xùn)練自動(dòng)編碼器從而學(xué)習(xí)到相應(yīng)的參數(shù)，使得誤差函數(shù)的值最校圖
【作者單位】： 上海應(yīng)用技術(shù)學(xué)院計(jì)算機(jī)科學(xué)與信息工程學(xué)院;蘇州大學(xué)計(jì)算機(jī)學(xué)院;
【基金】：國(guó)家自然科學(xué)基金項(xiàng)目(61272005)
【分類(lèi)號(hào)】：TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前4條

1 曲建嶺;杜辰飛;邸亞洲;高峰;郭超然;;深度自動(dòng)編碼器的研究與展望[J];計(jì)算機(jī)與現(xiàn)代化;2014年08期

2 秦勝君;盧志平;;基于降噪自動(dòng)編碼器的不平衡情感分類(lèi)研究[J];科學(xué)技術(shù)與工程;2014年12期

3 段寶彬;韓立新;;改進(jìn)的深度卷積網(wǎng)絡(luò)及在碎紙片拼接中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2014年09期

4 ;[J];;年期

相關(guān)碩士學(xué)位論文 前7條

1 梁湘群;基于Gabor特征與深度自動(dòng)編碼器的笑臉識(shí)別方法[D];五邑大學(xué);2015年

2 吳海燕;基于自動(dòng)編碼器的半監(jiān)督表示學(xué)習(xí)與分類(lèi)學(xué)習(xí)研究[D];重慶大學(xué);2015年

3 林雨;極限學(xué)習(xí)機(jī)與自動(dòng)編碼器的融合算法研究[D];吉林大學(xué);2016年

4 龐榮;深度神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[D];西南交通大學(xué);2016年

5 李娟;基于深度學(xué)習(xí)的評(píng)價(jià)對(duì)象抽取[D];東南大學(xué);2016年

6 尹曉燕;基于深度學(xué)習(xí)的人臉識(shí)別研究[D];天津大學(xué);2014年

7 雒玉璽;稀疏自動(dòng)編碼器及其加速算法的研究[D];蘭州大學(xué);2014年

本文編號(hào)：2528804