计算机应用研究

作者：王慧玲,宋威,王晨妮,

单位：1.江南大学物联网工程学院,江苏无锡214122；2.物联网技术应用教育部工程研究中心,江苏无锡214122；

关键词：分类,稀疏约束,标签约束,自动编码器,极限学习机,

基金：国家自然科学基金资助项目(61673193)；中央高校本科研业务费专项资金资助项目(JUSRP51635B,JUSRP51510)；江苏省自然科学基金资助项目(BK20150159)；中国博士后科学基金资助项目(2017M621625)；；

自动编码器通过深度无监督学习能够表达数据的语义特征，但由于其隐含层节点个数难以有效确定，所处理的数据进一步用于分类时常会导致分类准确度低、稳定性弱等问题。针对这些问题，提出了一种稀疏和标签约束的半监督自动编码器（SLRAE），以实现无监督学习与监督学习的有机结合，更准确地抽取样本的本质特征。稀疏约束项针对每个隐含节点的响应添加约束条件，从而在隐含神经元数量较多的情况下仍可发现数据中潜在的结构；同时引入标签约束项，以监督学习的方式比对实际标签与期望标签，针对性地调整网络参数，进一步提高分类准确率。为验证所提方法的有效性，实验中对多个数据集进行广泛测试，其结果表明，相对传统自动编码器（AE）、稀疏自动机（SAE）以及极限学习机（ELM），SLRAE所处理的数据应用于同一分类器，能明显提高分类准确率和稳定性。

来源：2019年第9期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2019年第9期