基于稀疏自编码器的细胞类型反卷积模型SMCTD设计与实现

单细胞RNA测序已成为研究生物学重要特征的强大高分辨率工具。然而,其测序条件苛刻,价格成本高昂。目前细胞类型反卷积能够很好地解决这些限制问题,SMCTD(Sparse Model Cell Type Deconvolution)使用稀疏自编码器优化TAPE(Tissue-AdaPtive autoEncoder),使其在直肠癌和PBMC模拟数据上预测细胞类型比列具有更高的灵敏度、准确性和整体性能,同时在预测细胞类型特异性基因表达上表现更优。

基于堆栈稀疏自编码器的小麦赤霉病高光谱遥感检测

小麦赤霉病具有发病快、周期短的特点,利用深度学习特征提取方法建立病害严重度检测模型,可为小麦赤霉病的防治提供科学指导。研究于2018—2020年间采集3个品种小麦在扬花期、灌浆期和成熟期的麦穗高光谱数据,通过形态学处理去除麦芒,提取出麦穗光谱曲线,使用多源散射校正对光谱进行去噪处理,再采用堆栈稀疏自编码器(Stacked Sparse Auto-encoder,SSAE)提取小麦赤霉病的光谱特征,利用该特征分别结合Softmax分类器和偏最小二乘回归方法构建小麦赤霉病严重度判别和预测模型。通过预训练,具有12~6个神经元的双层SSAE模型表现较好,模型均方误差更低,而且各个病害等级的特征差异明显;以训练的SSAE模型提取的深度学习特征为基础分别建立赤霉病严重度等级判别模型和严重度预测模型,在严重度等级判别的分类结果中,模型的总体精度和Kappa系数分别为88.2%和0.84,其中“淮麦35”品种的总体精度最高;在严重度预测模型中,模型对所有品种测试集的预测决定系数和均方根误差分别为0.927和0.062,对各品种的预测决定系数均在0.95左右;相比常见的几种小麦赤霉病光谱指数,基于SSAE深度学习特征的赤霉病预测模型精度更高。高光谱遥感数据量大、光谱波段多,堆栈稀疏自编码器通过在自编码器模型中加入稀疏表示的限定条件,并增加隐含层数及隐含神经元数来构建更为复杂的模型,所提取的光谱特征更能全方面地体现小麦赤霉病的光谱特征,利用该特征构建的小麦赤霉病检测模型具有更高的精度,可为精准监测小麦赤霉病提供科学依据。

基于稀疏自编码器的空间微动目标融合识别方法

当采用高分辨雷达对空间微动目标进行观测时,往往能同时获得其窄带、宽带回波。为充分利用其中蕴含的丰富电磁散射、形状、结构及运动信息,该文提出基于稀疏自编码器(SAE)的空间微动目标特征级融合识别方法。在训练阶段,首先采用卷积神经网络(CNN)分别提取训练集中微动目标回波的1维高分辨距离像(HRRP)、时频图(JTF)及距离-瞬时多普勒像(RID)层级特征。随后,将提取的3个深层特征进行1维拼接形成联合特征向量,并采用SAE自动学习联合特征向量的隐层特征。进而剔除SAE解码部分并在编码器后接入Softmax分类器构成识别网络。最后,利用SAE网络参数对识别网络进行初始化,并利用上述联合特征向量对其进行微调得到训练好的识别网络。在测试阶段,将CNN所提测试集的联合特征向量直接输入训练好的识别网络以得到融合识别结果。不同条件下的电磁仿真数据识别结果证明了所提方法的有效性及稳健性。

基于稀疏自编码器的工控系统态势理解算法

态势感知对提高工控系统的安全性有着重要作用。结合深度学习理论,提出基于稀疏自编码器的工控系统态势理解算法。算法使用稀疏自编码器对工业控制系统现场控制层数据降维,提取有效特征;随后使用K-means聚类算法对系统正常安全态势建模;最后通过对比工业控制系统现场控制层实时监控数据进行分析,对系统当前安全态势进行判断。将上述方法应用于田纳西-伊斯曼过程数据集进行验证,结果表明,所提方法可以准确有效地提出系统当前安全态势。

基于堆叠稀疏自编码器和Softmax分类器的路面裂缝识别方法研究

为了提高路面裂缝识别的正确率和实时性,文章提出了一种基于堆叠稀疏自编码器和Softmax分类器的路面裂缝识别方法。利用图像处理算法从每张路面图像中提取低维特征,输入到稀疏自编码器进行特征优化并提取高维特征后,使用Softmax分类器来进行识别。利用本文方法进行交叉试验,准确率、精度、灵敏度、特异性和F1-score分别达到99.5%、99%、100%、100%和99.5%。因此,本文提出的方法能够有效地自动检测路面裂缝。

基于堆栈式稀疏自编码器的高光谱影像分类

为挖掘高光谱影像数据的内在光谱特征,该文基于深度学习理论,引用堆栈式稀疏自编码器构建原始数据的深层特征表达。首先通过稀疏自编码器,得到原始数据的稀疏特征表达。其次通过逐层学习稀疏自编码器构建深度神经网,输出原始数据的深度特征。最后将其连接到支持向量机分类器,完成模型的精调。实验结果分析表明:基于堆栈式稀疏自编码器的最优分类模型,总体精度可达87.82%,优于实验中的其他方法,证明了深度学习方法在高光谱影像处理中具有良好的分类性能。

基于栈式稀疏自编码器的低信噪比下低截获概率雷达信号调制类型识别

针对低截获概率(LPI)雷达信号识别率低且特征提取困难的问题,该文提出一种基于Choi-Williams分布(CWD)和栈式稀疏自编码器(sSAE)的自动分类识别系统。该系统从反映信号本质特征的时频图像入手,首先对LPI雷达信号进行CWD时频分析,获取2维时频图像;然后对得到的时频原始图像进行预处理,并把预处理后的图像送入多层稀疏自编码器(SAE)进行离线训练;最后把SAE自动提取的特征输入softmax分类器,实现雷达信号的在线分类识别。仿真结果表明,信噪比为-6 dB时,该系统对8种LPI雷达信号(LFM,BPSK,Costas,Frank和T1~T4)的整体平均识别率达到96.4%,在低信噪比条件下明显优于人工设计提取信号特征的识别方法。

基于改进深度稀疏自编码器及FOA-ELM的电力负荷预测

智能电网的发展使得电网获取的数据逐渐增多,为了从多维大数据中获取有用信息并对短期内电力负荷进行准确的预测,提出了一种基于改进的深度稀疏自编码器(IDSAE)降维及果蝇优化算法(FOA)优化极限学习机(ELM)的短期电力负荷预测方法。将L1正则化加入到深度稀疏自编码器(DSAE)中能够诱导出更好的稀疏性,用IDSAE对影响电力负荷预测精度的高维数据进行特征降维,消除了指标间的多重共线性,实现高维数据向低维空间的压缩编码。采用FOA优化算法优化ELM的权值和阈值,得到最优值,能够克服因极限学习机随机选择权值和阈值导致预测精度低的缺点。首先将气象因素通过IDSAE降维,得到稀疏后的综合气象因素特征指标,协同电力负荷数据作为FOA优化的ELM预测模型的输入向量进行电力负荷预测。通过与DSAE-FOAELM、DSAE-ELM和IDSAE-ELM等模型的对比实验,证明了提出的预测模型能有效提高预测精度,经计算得出预测精度提升大约8%。

基于稀疏自编码器的烟叶成熟度分类

为降低人工成本,提出了一种基于稀疏自编码器的烟叶成熟度分类算法,从计算机视觉角度自动识别烟叶的成熟度。首先对烟叶数字图像进行去除背景、归一化等预处理操作;其次从无监督学习算法入手,利用稀疏自编码器构建特征学习网络;然后使用部分联通网络进行特征扩展,解决烟叶数字图像像素过大、计算耗时长等问题;最后使用Softmax回归对学习到的特征进行分类。结果表明:将稀疏自编码器应用于烟叶成熟度分类,测试数据分类准确率可达98.63%,优于其他分类器的分类精度。该算法直接从像素层面提取所需要的特征,不需要人为选定设计特征,为提高烟叶成熟度分类效率提供了帮助。

HRRP稀疏自编码器深层特征与散射中心特征的关联性研究

利用稀疏自编码器网络对典型目标一维高分辨距离像(high resolution range profile,HRRP)进行了学习训练,基于各层权重系数矩阵定义了一种综合权重系数,通过综合权重系数和降维特征与散射中心特征的对比分析,发现稀疏自编码器深层特征与散射中心特征之间具有一定的关联性,并对综合权重系数和深层降维特征的物理意义进行了解释。首先针对HRRP构建稀疏自编码器网络,经过深层学习后获取训练后的权重系数和降维后的特征,并与散射中心的位置特征和强度分布特征进行关联性分析。结果表明,综合权重系数矩阵为与散射中心密切相关的类字典系数矩阵,反映了距离域强散射中心位置随角度变化的可能的分子集;降维特征能够实现对强散射中心的学习和提取,反映了强散射中心位置和强度随角度的变化。最后分析了网络训练层数和降维维数对学习训练结果的影响,可指导后续网络参数的选择。文章首次针对雷达HRRP数据开展深度学习特征的可解释性研究,为后续深度学习在雷达数据处理中的广泛应用提供了有益的导引。

基于导向重构与降噪稀疏自编码器的合成孔径雷达目标识别

为解决现有合成孔径雷达(SAR)目标识别算法泛化能力差和算法复杂度高等问题,提出一种基于导向重构与降噪稀疏自编码器的SAR目标识别分类算法。利用导向重构算法对SAR图像进行两尺度融合预处理,生成一维图像矢量并作归一化处理,以降低图像输出特征的维度,提高预处理的速度;采用减少降噪自编码器隐层神经元方式对图像进行低维特征抽取和识别;使用Softmax分类器进行分类处理。实验结果表明,通过导向重构与降噪稀疏自编码器的SAR目标识别算法,不仅提高了目标识别性能以及泛化能力,而且降低了自编码器的隐层神经元数量和计算复杂度,网络结构也得到改进和优化。

基于稀疏自编码器的传感器在线漂移补偿算法

传感器漂移是电子鼻系统中长期存在的问题。漂移现象会造成气体传感器的输出响应异常,使采集到样本的特征分布发生变化,进而导致分类精度明显下降。近年来学者们提出了多种传感器漂移补偿方法,但大多数针对离线场景,在实际应用中存在困难。针对这些问题,提出了一种基于稀疏自编码器的在线漂移补偿算法。该算法能够在仅使用未漂移样本的情况下,通过构建稀疏自编码器和分类器,对漂移样本进行特征增强和有效分类。将文中提出的方法用于公开数据集上进行漂移补偿实验,得到了与已有方法相似甚至更优的分类效果,因此,提出的算法能够有效地实现传感器的在线漂移补偿。

基于稀疏自编码器-支持向量机的空调制冷系统故障诊断

针对目前空调制冷系统内部的多参数性与物质复杂性等现状,本文提出了一种基于稀疏自编码器-支持向量机的空调制冷系统故障诊断方法,研究了其在空调制冷系统故障诊断领域的应用潜力。故障诊断结果表明,单层稀疏自编码器模型的故障诊断正确率为95.47%。采用稀疏自编码器特征提取效果优于主元分析法,隐藏层层数和节点数对稀疏自编码器诊断性能有较大的影响,多层稀疏自编码器性能优于单层稀疏自编码器。本系统中隐藏层层数为4,节点数分别为600、500、400和300的多层稀疏自编码器模型诊断性能最优。

堆栈稀疏自编码器的风力机锥齿轮故障诊断

针对当前齿轮故障诊断存在着准确性不高、主观性强等问题,提出了一种基于堆栈稀疏自编码器(SSAE)和softmax分类器相结合的齿轮故障诊断方法。首先,运用时域分析以及样本熵方法对风力机锥齿轮振动信号进行特征提取,其次,将提取的特征输入到SSAE中进一步学习目标数据的深层本质特征,并进行特征降维,最后使用softmax分类器中进行分类识别。通过实验结果表明,和文中其他浅层学习模型相比,SSAE能够从齿轮振动信号中有效学习到所需的深层本质特征,拥有更高的识别准确率,因而证实了该方法优越性。

基于典型相关稀疏自编码器的精神分裂症的分类

通过结合大脑核磁共振成像和基因组信息进行全面系统的分析,影像遗传学已被广泛用于帮助诊断和治疗精神疾病(例如精神分裂症)。本文采用单核苷酸多态性数据和功能性磁共振成像数据联合分析,提出深度典型相关稀疏自编码器模型,探索两类数据之间的非线性关联并进行降维,对精神分裂症患者和健康对照进行分类。最后,实验结果表明,使用深度典型相关稀疏自编码器模型比其他传统模型具有更高的分类准确性。

基于稀疏自编码器与卡尔曼滤波的锅炉运行状态监测

通过稀疏自编码器与卡尔曼滤波的融合,提出一种基于稀疏自编码器与卡尔曼滤波的锅炉运行状态监测方法。首先通过稀疏自编码器学习数据中复杂的内在特征,得到数据的降维表达。然后基于降维后的数据利用卡尔曼滤波预测锅炉负荷,通过对比分析预测值与实际值之间的残差判断锅炉的运行状态。最后对提出的方法进行数据分析验证。该方法可以在锅炉设备故障发生以前,进行合理化的诊断,有效地降低不必要的能源浪费,从而降低成本,具有较高的现实价值和意义。

利用稀疏自编码器的调制样式识别算法

针对传统调制样式识别算法对复杂幅相信号识别率低,所需特征参数多的问题,提出一种利用稀疏自编码器的调制样式识别算法。将稀疏自编码器和Softmax分类器级联构成识别系统,将两个高阶累积量特征参数的格雷码编码构成系统输入矢量,利用稀疏自编码器提取的深度特征作为Softmax分类器输入。在系统训练阶段,先训练稀疏自编码器,然后利用有监督算法训练分类层,接着利用有监督算法进行整体优化。对BPSK、QPSK、8PSK、16QAM、32QAM、16APSK和32APSK等7种信号识别的仿真结果表明,在低信噪比时本文算法的平均正确识别率比对比算法高。

基于栈式降噪稀疏自编码器的极限学习机

极限学习机(ELM)随机选择网络输入权重和隐层偏置,存在网络结构复杂和鲁棒性较弱的不足。为此,提出基于栈式降噪稀疏自编码器(sDSAE)的ELM算法。利用sDSAE稀疏网络的优势,挖掘目标数据的深层特征,为ELM产生输入权值与隐层偏置以求得隐层输出权值,完成训练分类器,同时通过加入稀疏性约束优化网络结构,提高算法分类准确率。实验结果表明,与ELM、PCA-ELM、ELM-AE和DAE-ELM算法相比,该算法在处理高维含噪数据时分类准确率较高,并且具有较强的鲁棒性。

基于稀疏自编码器与梯度方向直方图的手势识别

传统的梯度方向直方图(Histogram of Oriented Gradients,HOG)算法在提取图像特征过程中对于图像的轮廓边缘信息比较敏感,但是HOG特征缺少对样本间关联的描述。稀疏自编码器(Stacked Auto Encoder,SAE),在特征提取中可以很好地提取出样本间的特征但是需要较大的样本量。论文结合HOG方法与SAE方法在小数据集下使用SVM分类器训练分类手势图片,通过在Jochen.Triesch数据集上的实验表明该方法可以获得更好的分类效果。

基于堆栈稀疏自编码器和微动特征的身份认证技术

从人体目标雷达回波数据中提取可分性较好的微动特征是实现目标分类的关键。针对传统谱图结构特征无法对体型相似的人体目标精细识别,提出了基于堆栈稀疏自编码器的人体身份认证方法。首先构造堆栈稀疏自编码器网络,利用人体微动数据进行无监督预训练,在不同层提取人体微动特征,然后将得到的特征输入softmax分类器进行有监督训练,用交叉验证调整网络参数,最后用训练好的网络进行人体目标分类。在不同人走路实测数据集上,3人平均识别率达到了83%,优于提取谱图结构特征分类的方法。