Battle damage assessment based on an improved Kullback-Leibler divergence sparse autoencoder

为解决深度学习网络中隐藏层节点数难以确定的问题,文中提出一种改进的KL(Kullback-Leibler)散度稀疏自动编码机,并将该方法应用到战斗损伤评估中。该方法能够自动筛选出对数据重建贡献大的隐层特征,舍弃贡献小的隐层特征,从而优化网络结构。在网络预测精度不受影响的前提下,该方法自动筛选隐层特征,提升了计算速度。基于UCI(University of California,Irvine)数据集和BDA(battle damage assessment)战争破坏数据的实验表明,该方法优于其他数据驱动的方法。改进的KL稀疏自动编码机回归网络在保证预测精度的前提下,能提升网络的训练和预测速度,并自动筛选隐层有效特征,优化隐层节点数,优化网络结构。