CN109598336A - 一种基于栈式降噪自编码神经网络的数据约简方法 - Google Patents
一种基于栈式降噪自编码神经网络的数据约简方法 Download PDFInfo
- Publication number
- CN109598336A CN109598336A CN201811476554.3A CN201811476554A CN109598336A CN 109598336 A CN109598336 A CN 109598336A CN 201811476554 A CN201811476554 A CN 201811476554A CN 109598336 A CN109598336 A CN 109598336A
- Authority
- CN
- China
- Prior art keywords
- layer
- dae
- reduction
- neural network
- noise reduction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 22
- 230000007423 decrease Effects 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 210000005036 nerve Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
Abstract
本发明公开了一种基于栈式降噪自编码神经网络的数据约简方法,其特征在于,栈式降噪自编码神经网络的约简模型构建步骤如下:步骤1:将前一个DAE的输出,作为下一个DAE的输入,以此来达到层层编码的目的;步骤2:用来表示原始的输入样本,并用来代表第i层的DAE的编码情况,可以得出每一层的DAE的编码情况;进行逐层贪婪训练及微调,微调过程通过BP算法调整初始参数的交叉熵函数以保证重构误差的最小化。本发明采用降噪自编码网络的改进方法‑栈式降噪自编码神经网络算法对样本特征集进行降维,以降低各类模型的复杂度,提高及机器学习应用中分类器的分类效果,减少各类学习算法的运算成本,并对该方法约简的可行性和高效性进行了验证。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种基于栈式降噪自编码神经网络的数据约简方法。
背景技术
自编码器(Autoencoder,AE)是由Hinton于2006年提出的,其结构分为输入层,输出层,及其隐含层。输入层和输出层神经元数量相同,隐含层神经元数量较少,其中输入层和隐含层构成编码网络部分,AE在编码网络部分压缩数据。
目前,随着数据采集、存储技术的快速发展,数据冗余的问题越来越严重,它不仅极大地浪费存储空间,也会显著降低基于数据的建模。
针对海量数据集的维度高、冗余度大,指标间关联性较强的特点,为提高对数据处理能力和数据可用性,需要提出一种新型方法对原始数据进行预处理。
发明内容
发明的目的在于提供一种基于栈式降噪自编码神经网络的数据约简方法,本发明采用降噪自编码网络的改进方法-栈式降噪自编码神经网络算法对样本特征集进行降维,以降低各类模型的复杂度,提高及机器学习应用中分类器的分类效果,减少各类学习算法的运算成本,并对该方法约简的可行性和高效性进行了验证,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于栈式降噪自编码神经网络的数据约简方法,通过qD,原始数据X被扰乱成,并将此带有噪声的数据作为自编码器的输入,通过fθ,对隐藏层各个神经元的激活值进行计算,栈式降噪自编码神经网络的约简模型构建步骤如下:
步骤1:将前一个DAE的输出,作为下一个DAE的输入,以此来达到层层编码的目的;
步骤2:用x0来表示原始的输入样本,并用xi来代表第i层的DAE的编码情况,可以得出每一层的DAE的编码情况,其表示方式如下:
xi=fθ(xi-1)i=1,2,3,…。
步骤3:进行逐层贪婪训练及微调,其中,逐层贪婪训练过程通过最小化原始输入数据与重构编码的差异训练权重,得到初始参数,微调过程通过BP算法调整初始参数的交叉熵函数以保证重构误差的最小化,以得到最优重构效果的目的。
进一步地,训练由多层DAE构成的SDAE时,需要采用逐层贪婪的原则,对每一层DAE进行单独训练得到初始化参数,并在保证重构误差最小化的基础上对参数进行微调。
进一步地,其包括如下步骤:先利用输入的样本特征训练SDAE的第一层,即第一个DAE,并通过微调得到相应的参数,然后将该DAE的隐含层输出作为第二个DAE的输入,训练并微调得到第二个DAE的参数,依次下去,便可以得到基于SDAE的约简模型。
进一步地,在整个训练过程中,训练下一个DAE时要保证上一个DAE的参数不变。
进一步地,其还包括由输入层、隐含层以及输出层组成的垃圾网页判别指标约简模型的网络结构,其每层DAE的结构分别为219-150、150-100、100-50、50-5,其中,设置输入层的神经元个数为219,设置输出层的神经元个数为5,同时,为达到约简的目的,设置每层神经元的个数呈现150,100,50的逐层递减趋势。
进一步地,约简模型中,每层DAE的隐含层输出分别为下一层DAE的输入,通过逐层间的学习,使得下一层DAE的神经元均能捕获前一层DAE的神经元的高度相关性,并可准确描述前一层DAE的神经元的非线性关系,使得最终的输出编码能完全涵盖高维数据的信息。
与现有技术相比,本发明的有益效果是:本发明提出的基于栈式降噪自编码神经网络的数据约简方法,首先对数据集进行全面详细地分析,对样本数据集进行量化、标准化及平衡化处理,采用降噪自编码网络的改进方法-栈式降噪自编码神经网络算法对样本特征集进行降维,以降低各类模型的复杂度,提高及机器学习应用中分类器的分类效果,减少各类学习算法的运算成本,并对该方法约简的可行性和高效性进行了验证。
附图说明
图1为本发明的DAE的原理图;
图2为本发明的第一个DAE的网络结构图;
图3为本发明的第二个DAE的网络结构图;
图4为本发明的基于SDAE的约简模型图;
图5为本发明的垃圾网页判别指标约简模型的网络结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于栈式降噪自编码神经网络的数据约简方法,在保留AE的特点的基础上,降噪自编码器(Denoising Autoencoder,DAE)使AE从含有噪声的输入中进行学习,通过在输入数据中加入某些噪声,来提高***的鲁棒性,DAE的原理图如图1所示,通过qD,原始数据X被扰乱成,并将此带有噪声的数据作为自编码器的输入,通过fθ,对隐藏层各个神经元的激活值进行计算,栈式降噪自编码神经网络的约简模型构建步骤如下:
步骤1:在栈式降噪自编码神经网络(Stacked Denoising Autoencoder NeuralNetworks,SDAE)模型中,将前一个DAE的输出,作为下一个DAE的输入,以此来达到层层编码的目的;
步骤2:用x0来表示原始的输入样本,并用xi来代表第i层的DAE的编码情况,可以得出每一层的DAE的编码情况,其表示方式如下:
xi=fθ(xi-1)i=1,2,3,…。
步骤3:在构建SDAE约简模型的过程中进行逐层贪婪训练及微调,其中,逐层贪婪训练过程通过最小化原始输入数据与重构编码的差异训练权重,得到初始参数,微调过程通过BP算法调整初始参数的交叉熵函数以保证重构误差的最小化,以得到最优重构效果的目的。
训练由多层DAE构成的SDAE时,需要采用逐层贪婪的原则,对每一层DAE进行单独训练得到初始化参数,并在保证重构误差最小化的基础上对参数进行微调。即先利用输入的样本特征训练SDAE的第一层,即第一个DAE,过程如图2,并通过微调得到相应的参数,然后将该DAE的隐含层输出作为第二个DAE的输入,过程如图3,训练并微调得到第二个DAE的参数,依次下去,便可以得到基于SDAE的约简模型,过程如图4。在整个训练过程中,训练下一个DAE时要保证上一个DAE的参数不变。
针对垃圾网页判别指标样本维数为219维,本发明选取具有4层DAE的栈式降噪自编码神经网络结构,其包括输入层、隐含层以及输出层,其每层DAE的结构分别为219-150、150-100、100-50、50-5,其中,设置输入层的神经元个数为219,设置输出层的神经元个数为5,同时,为达到约简的目的,设置每层神经元的个数呈现150,100,50的逐层递减趋势。约简模型中,每层DAE的隐含层输出分别为下一层DAE的输入,通过逐层间的学习,使得下一层DAE的神经元均能捕获前一层DAE的神经元的高度相关性,并可准确描述前一层DAE的神经元的非线性关系,使得最终的输出编码能完全涵盖高维数据的信息,该垃圾网页判别指标约简模型的网络结构如下图5所示。
通过以上的指标约简模型的建立进行指标约简实验结果及分析,任意抽选了120个样本,用预处理方法,对这120条实验样本进行了预处理,并将其中3/4的实验样本作为训练集,1/4的实验样本作为测试集。
用所得到的SDAE模型将219维的垃圾网页判别指标样本约简为5维的特征数据,分别选取一条训练样本和一条测试样本进行约简实验,经过约简后得到的5维的特征数据如表1所示。
表1约简后的特征数据
为验证约简后的数据能够完全表示原来的数据,将从SDAE模型用于垃圾网页约简的可行性,以及对该种约简模型对后续垃圾网页判别工作的有效性两个方面进行验证。
进行可行性分析,验证SDAE用于约简的可行性,实质是验证约简得到的编码能否代表原有指标所包含的信息,即验证重构后的数据与原有数据之间的差异。
(1)评价标准
本实验选取均方误差(Mean Squared Error,MSE)作为衡量训练过程中重构误差的评价标准。那么,MSE的定义如下所示:
式中,训练样本或者测试样本用ydata表示,重构出的样本用yrecon表示,训练样本或测试样本的数量用N表示。
(2)实验结果及分析
将处理后的219维样本作为SDAE的输入,以5维编码作为输出,本发明设计了4层SDAE网络结构,DAE1 219-150、DAE2 150-100、DAE3 100-50、DAE4 50-5,各层神经元数量为:219-150-100-50-5。设置各层DAE及SDAE模型的训练次数均为10次。
各层DAE训练10次的过程中,通过不断调整参数,得到的各层DAE的重构误差的变化曲线,当训练次数达到5次时,各层DAE的MSE已经小于0.009,基本达到稳定状态,即当训练次数设置为大于等于5时,可得到各层的初始参数,本发明将训练10次得到的各层DAE的参数作为SDAE模型各层DAE的初始参数。并将该模型用于验证栈式降噪自编码神经网络用于约简的可行性。
SDAE被训练10次的过程中,得到的重构误差的变化曲线,经过10次训练后,MSE误差已小于0.0024,基本达到稳定,根据Matlab实验结果可知,样本数据达到的最小重构误差为0.00226。也就是说经过训练,5维的编码能以极小的重构误差映射原始219维的原始数据。
进行高效性分析,为了证明SDAE的高效性,本发明将对比基于SDAE的分类模型与其他分类模型的约简效果。
(1)评价标准
本实验将采用的评价标准为正确率(Accuracy),即正确分类的测试样本个数占测试样本总数的比例,计算公式如下所示:
Accuracy=(TN+TP)/C
其中,TN表示被错误分类的垃圾网页个数,TP表示被正确分类的垃圾网页个数,C表示测试样本的总数。
(2)实验结果及分析
本发明通过对比基于SDAE、PCA、EMD的SVM分类器对测试结果的影响来验证基于SDAE用于垃圾网页约简的高效性。基于SDAE的SVM分类器随着实验次数的增加,分类正确率呈递增的趋势,且较其他两种分类器而言,表现出更高的识别能力。
综合以上两种实验,通过对比SDAE模型中输入和输出数据的重构误差,验证了SDAE用于约简的可行性。通过将SDAE与SVM分类模型结合构成分类器,并同其他两种约简方法与SVM构成的分类器对最后结果进行对比,验证了SDAE约简方法的高效性。
综上所述,本发明提出的基于栈式降噪自编码神经网络的数据约简方法,首先对数据集进行全面详细地分析,对样本数据集进行量化、标准化及平衡化处理,采用降噪自编码网络的改进方法-栈式降噪自编码神经网络算法对样本特征集进行降维,以降低各类模型的复杂度,提高及机器学习应用中分类器的分类效果,减少各类学习算法的运算成本,并对该方法约简的可行性和高效性进行了验证。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于栈式降噪自编码神经网络的数据约简方法,其特征在于,通过qD,原始数据X被扰乱成,并将此带有噪声的数据作为自编码器的输入,通过fθ,对隐藏层各个神经元的激活值进行计算,栈式降噪自编码神经网络的约简模型构建步骤如下:
步骤1:将前一个DAE的输出,作为下一个DAE的输入,以此来达到层层编码的目的;
步骤2:用x0来表示原始的输入样本,并用xi来代表第i层的DAE的编码情况,可以得出每一层的DAE的编码情况,其表示方式如下:
xi=fθ(xi-1) i=1,2,3,…。
步骤3:进行逐层贪婪训练及微调,其中,逐层贪婪训练过程通过最小化原始输入数据与重构编码的差异训练权重,得到初始参数,微调过程通过BP算法调整初始参数的交叉熵函数以保证重构误差的最小化,以得到最优重构效果的目的。
2.根据权利要求1所述的一种基于栈式降噪自编码神经网络的数据约简方法,其特征在于,训练由多层DAE构成的SDAE时,需要采用逐层贪婪的原则,对每一层DAE进行单独训练得到初始化参数,并在保证重构误差最小化的基础上对参数进行微调。
3.根据权利要求2所述的一种基于栈式降噪自编码神经网络的数据约简方法,其特征在于,其包括如下步骤:先利用输入的样本特征训练SDAE的第一层,即第一个DAE,并通过微调得到相应的参数,然后将该DAE的隐含层输出作为第二个DAE的输入,训练并微调得到第二个DAE的参数,依次下去,便可以得到基于SDAE的约简模型。
4.根据权利要求3所述的一种基于栈式降噪自编码神经网络的数据约简方法,其特征在于,在整个训练过程中,训练下一个DAE时要保证上一个DAE的参数不变。
5.根据权利要求1所述的一种基于栈式降噪自编码神经网络的数据约简方法,其特征在于,其还包括由输入层、隐含层以及输出层组成的垃圾网页判别指标约简模型的网络结构,其每层DAE的结构分别为219-150、150-100、100-50、50-5,其中,设置输入层的神经元个数为219,设置输出层的神经元个数为5,同时,为达到约简的目的,设置每层神经元的个数呈现150,100,50的逐层递减趋势。
6.根据权利要求5所述的一种基于栈式降噪自编码神经网络的数据约简方法,其特征在于,约简模型中,每层DAE的隐含层输出分别为下一层DAE的输入,通过逐层间的学习,使得下一层DAE的神经元均能捕获前一层DAE的神经元的高度相关性,并可准确描述前一层DAE的神经元的非线性关系,使得最终的输出编码能完全涵盖高维数据的信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811476554.3A CN109598336A (zh) | 2018-12-05 | 2018-12-05 | 一种基于栈式降噪自编码神经网络的数据约简方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811476554.3A CN109598336A (zh) | 2018-12-05 | 2018-12-05 | 一种基于栈式降噪自编码神经网络的数据约简方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109598336A true CN109598336A (zh) | 2019-04-09 |
Family
ID=65961118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811476554.3A Pending CN109598336A (zh) | 2018-12-05 | 2018-12-05 | 一种基于栈式降噪自编码神经网络的数据约简方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598336A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110411566A (zh) * | 2019-08-01 | 2019-11-05 | 四川长虹电器股份有限公司 | 一种智能化光谱信号去噪方法 |
CN110412872A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 往复压缩机故障诊断优化方法及装置 |
CN110866604A (zh) * | 2019-10-28 | 2020-03-06 | 国网河北省电力有限公司电力科学研究院 | 一种电力变压器状态监测数据的清洗方法 |
CN111275074A (zh) * | 2020-01-07 | 2020-06-12 | 东北电力大学 | 基于栈式自编码网络模型的电力cps信息攻击辨识方法 |
CN112541874A (zh) * | 2020-12-11 | 2021-03-23 | 福州大学 | 基于自编码器的无监督去噪特征学习方法 |
CN113220876A (zh) * | 2021-04-16 | 2021-08-06 | 山东师范大学 | 一种用于英文文本的多标签分类方法及*** |
CN113420794A (zh) * | 2021-06-04 | 2021-09-21 | 中南民族大学 | 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法 |
CN114689700A (zh) * | 2022-04-14 | 2022-07-01 | 电子科技大学 | 一种基于栈式自编码器的低功率emat信号降噪方法 |
CN115169499A (zh) * | 2022-08-03 | 2022-10-11 | 中国电子科技集团公司信息科学研究院 | 资产数据降维方法、装置、电子设备和计算机存储介质 |
CN116108386A (zh) * | 2023-04-10 | 2023-05-12 | 南京信息工程大学 | 改进混合采样及降噪自编码下的古董玻璃分类方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750345A (zh) * | 2012-06-07 | 2012-10-24 | 山东师范大学 | 通过网页多视图数据关联组合识别垃圾网页的方法 |
CN105163121A (zh) * | 2015-08-24 | 2015-12-16 | 西安电子科技大学 | 基于深度自编码网络的大压缩比卫星遥感图像压缩方法 |
CN106443447A (zh) * | 2016-09-26 | 2017-02-22 | 南京航空航天大学 | 一种基于iSDAE的航空发电机故障特征提取方法 |
CN106874952A (zh) * | 2017-02-16 | 2017-06-20 | 中国人民解放军国防科学技术大学 | 基于栈式自编码器的特征融合方法 |
CN107679031A (zh) * | 2017-09-04 | 2018-02-09 | 昆明理工大学 | 基于堆叠降噪自编码机的广告博文识别方法 |
CN107749757A (zh) * | 2017-10-18 | 2018-03-02 | 广东电网有限责任公司电力科学研究院 | 一种基于堆栈式自编码和pso算法的数据压缩方法及装置 |
CN107909105A (zh) * | 2017-11-13 | 2018-04-13 | 上海交通大学 | 一种商业选址方法及*** |
CN108304359A (zh) * | 2018-02-06 | 2018-07-20 | 中国传媒大学 | 无监督学习统一特征提取器构建方法 |
-
2018
- 2018-12-05 CN CN201811476554.3A patent/CN109598336A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750345A (zh) * | 2012-06-07 | 2012-10-24 | 山东师范大学 | 通过网页多视图数据关联组合识别垃圾网页的方法 |
CN105163121A (zh) * | 2015-08-24 | 2015-12-16 | 西安电子科技大学 | 基于深度自编码网络的大压缩比卫星遥感图像压缩方法 |
CN106443447A (zh) * | 2016-09-26 | 2017-02-22 | 南京航空航天大学 | 一种基于iSDAE的航空发电机故障特征提取方法 |
CN106874952A (zh) * | 2017-02-16 | 2017-06-20 | 中国人民解放军国防科学技术大学 | 基于栈式自编码器的特征融合方法 |
CN107679031A (zh) * | 2017-09-04 | 2018-02-09 | 昆明理工大学 | 基于堆叠降噪自编码机的广告博文识别方法 |
CN107749757A (zh) * | 2017-10-18 | 2018-03-02 | 广东电网有限责任公司电力科学研究院 | 一种基于堆栈式自编码和pso算法的数据压缩方法及装置 |
CN107909105A (zh) * | 2017-11-13 | 2018-04-13 | 上海交通大学 | 一种商业选址方法及*** |
CN108304359A (zh) * | 2018-02-06 | 2018-07-20 | 中国传媒大学 | 无监督学习统一特征提取器构建方法 |
Non-Patent Citations (4)
Title |
---|
吴德烽: "《计算智能及其在三维表面扫描机器人***中的应用》", 30 November 2012, 大连海事大学出版社 * |
张素智 等: "面向聚类的堆叠降噪自动编码器的特征提取研究", 《现代计算机》 * |
殷复莲: "《数据分析与数据挖掘实用教程》", 30 September 2017, 中国传媒大学出版社 * |
董海鹰: "《智能控制理论及应用》", 30 September 2016, 中国铁道出版社 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110412872A (zh) * | 2019-07-11 | 2019-11-05 | 中国石油大学(北京) | 往复压缩机故障诊断优化方法及装置 |
CN110411566A (zh) * | 2019-08-01 | 2019-11-05 | 四川长虹电器股份有限公司 | 一种智能化光谱信号去噪方法 |
CN110866604A (zh) * | 2019-10-28 | 2020-03-06 | 国网河北省电力有限公司电力科学研究院 | 一种电力变压器状态监测数据的清洗方法 |
CN111275074B (zh) * | 2020-01-07 | 2022-08-05 | 东北电力大学 | 基于栈式自编码网络模型的电力cps信息攻击辨识方法 |
CN111275074A (zh) * | 2020-01-07 | 2020-06-12 | 东北电力大学 | 基于栈式自编码网络模型的电力cps信息攻击辨识方法 |
CN112541874A (zh) * | 2020-12-11 | 2021-03-23 | 福州大学 | 基于自编码器的无监督去噪特征学习方法 |
CN113220876A (zh) * | 2021-04-16 | 2021-08-06 | 山东师范大学 | 一种用于英文文本的多标签分类方法及*** |
CN113420794A (zh) * | 2021-06-04 | 2021-09-21 | 中南民族大学 | 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法 |
CN114689700A (zh) * | 2022-04-14 | 2022-07-01 | 电子科技大学 | 一种基于栈式自编码器的低功率emat信号降噪方法 |
CN114689700B (zh) * | 2022-04-14 | 2023-06-06 | 电子科技大学 | 一种基于栈式自编码器的低功率emat信号降噪方法 |
CN115169499A (zh) * | 2022-08-03 | 2022-10-11 | 中国电子科技集团公司信息科学研究院 | 资产数据降维方法、装置、电子设备和计算机存储介质 |
CN115169499B (zh) * | 2022-08-03 | 2024-04-05 | 中国电子科技集团公司信息科学研究院 | 资产数据降维方法、装置、电子设备和计算机存储介质 |
CN116108386A (zh) * | 2023-04-10 | 2023-05-12 | 南京信息工程大学 | 改进混合采样及降噪自编码下的古董玻璃分类方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598336A (zh) | 一种基于栈式降噪自编码神经网络的数据约简方法 | |
Lin et al. | Audio classification and categorization based on wavelets and support vector machine | |
CN110930976B (zh) | 一种语音生成方法及装置 | |
CN111861945B (zh) | 一种文本引导的图像修复方法和*** | |
CN111652049A (zh) | 人脸图像处理模型训练方法、装置、电子设备及存储介质 | |
CN109919364A (zh) | 基于自适应降噪和集成lstm的多变量时间序列预测方法 | |
CN110175560A (zh) | 一种雷达信号脉内调制识别方法 | |
CN107220594B (zh) | 基于相似度保留堆叠自编码器的人脸姿态重建与识别方法 | |
CN108665460A (zh) | 基于组合神经网络和分类神经网络的图像质量评价方法 | |
CN108765512B (zh) | 一种基于多层级特征的对抗图像生成方法 | |
CN113312989B (zh) | 一种基于聚合描述子与注意力的指静脉特征提取网络 | |
CN110379491A (zh) | 识别脑胶质瘤方法、装置、设备和存储介质 | |
CN108805802A (zh) | 一种基于约束条件的堆叠步进自编码器的正面人脸重建***及方法 | |
Shankar et al. | Non-parallel emotion conversion using a deep-generative hybrid network and an adversarial pair discriminator | |
CN113886792A (zh) | 一种声纹识别和人脸识别相结合的印控仪应用方法和*** | |
CN116628605A (zh) | 一种基于ResNet和DSCAttention机制的窃电分类的方法及装置 | |
CN100369047C (zh) | 一种基于Gabor相位模式的图像识别方法 | |
CN112347910A (zh) | 一种基于多模态深度学习的信号指纹识别方法 | |
CN113035228A (zh) | 声学特征提取方法、装置、设备及存储介质 | |
CN108831486B (zh) | 基于dnn与gmm模型的说话人识别方法 | |
Malik | Fighting AI with AI: fake speech detection using deep learning | |
CN116613740A (zh) | 基于transform与TCN组合模型的智能负荷预测方法 | |
CN115984911A (zh) | 属性生成对抗网络以及基于该网络的人脸图像连续变换方法 | |
CN111104868B (zh) | 一种基于卷积神经网络特征的跨质量人脸识别方法 | |
CN114283301A (zh) | 一种基于Transformer的自适应医学影像分类方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190409 |
|
RJ01 | Rejection of invention patent application after publication |