基于栈式降噪自动编码器的气体识别

发布时间：2019-08-24 07:36

【摘要】：为克服手工设计特征的繁杂过程以及特征不通用性,提高气体识别准确率,提出一种基于深度学习的气体定性识别方法,自动提取自适应的气体数据特征。实验基于UCI机器学习气体数据集,分别对比基于2层深度神经网络结构-栈式降噪自动编码器以及浅层机器学习算法的气体定性识别效果。实验结果表明,基于深度学习算法自动提取特征的过程更简单、通用,提高了气体识别的准确率,改善了传统方法的复杂流程。
【图文】：

传感器阵列,响应值

第３８卷第３期于万钧，安改换，鹿文静，等：基于栈式降噪自动编码器的气体识别图１传感器阵列响应值一个特征向量，从而最终构成一个气体样本的表示，其过程是非常繁琐的。本文提出了一种基于ＳｄＡ的气体识别方法。首先介绍了一种深度学习结构，然后设计了相应的实验，对比了ＳＶＭ在原始气体数据上，在手工提取特征以及ＰＣＡ线性降维的数据上的识别效果和栈式降噪自动编码器学习气体数据的特征，然后利用Ｓｏｆｔｍａｘ分类的效果。实验结果表明了该方法在缺少通用特征的气体数据上的有效性和实用性，成功实现了提取自适应的气体数据的特征。１深度学习深度学习是一类新兴的多层神经网络学习算法，因其缓解了传统的训练算法的局部最小性问题，在机器学习领域引起了广泛的关注［４］。其主要是通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征。深度学习中最具代表性的一种训练模型－自动编码器，由于其处理效果在自然语言处理中效果显著，引起研究人员的广泛重视［５，６］。而降噪自动编码器从经典自动编码器［７］扩展而来，，栈式降噪自动编码器是在深度自动编码器的基础上给训练数据加入噪声，从而迫使编码器去学习输入信号的更加鲁棒的表达，这也是它的泛化能力比一般编码器强的主要原因。１．１降噪自动编码器自动编码器（ａｕｔｏ－ｅｎｃｏｄｅｒ）是根据输入数据构造含有参数的编码函数获得上一层的数据，然后通过上一层的数据利用带参数的解码函数重现输入数据，最后通过最小化输入数据和通过解码函数得到的数据之间的损失去修改参数，进而完成预训练［８］。其基本结构如图２所示。这里每个神经元的激

隐藏层,降噪

动编码器从经典自动编码器［７］扩展而来，栈式降噪自动编码器是在深度自动编码器的基础上给训练数据加入噪声，从而迫使编码器去学习输入信号的更加鲁棒的表达，这也是它的泛化能力比一般编码器强的主要原因。１．１降噪自动编码器自动编码器（ａｕｔｏ－ｅｎｃｏｄｅｒ）是根据输入数据构造含有参数的编码函数获得上一层的数据，然后通过上一层的数据利用带参数的解码函数重现输入数据，最后通过最小化输入数据和通过解码函数得到的数据之间的损失去修改参数，进而完成预训练［８］。其基本结构如图２所示。这里每个神经元的激活函数采用ｓｉｇｍｏｉｄ函数：ｆ（ｚ）＝１／（１＋ｅｘｐ（－ｚ）），其中ｚ是输入到某个神经元的权重输入，即ｚ＝ｗｖ＋ｂ。一个自动编码器经过训练把输入ｖ编码为某种表示ｃ（ｖ），从而使得输入ｖ能够从这种表示中被重构。具体地为，输入ｖ∈［０，１］ｄ并且将其映射（编码）为一个隐藏层表示ｙ∈［０，１］ｄ，映射函数为：ｙ＝ｓ（ｗｖ＋ｂ），ｓ可以是像ｓｉｇｍｏｉｄ这样的一个非线性函数。然后隐藏层表示ｙ又被映射回（解码）到一个重构的ｚ：ｚ＝ｓ（ｗ’ｙ＋ｂ’），一般地Ｗ’＝ＷＴ。所以，自动编码器的最终目标就是最小化平均重构误差，同时这里选用交叉熵（ｃｒｏｓｓ－ｅｎｔｒｏｐｙ）作为误差函数ＬＨ（ｘ，ｚ）＝－∑ｄｋ＝１［ｘｋｌｏｇｚｋ＋（１－ｘｋ）ｌｏｇ（１－ｚｋ）］（１）通过使用反向传播算法就可以训练自动编码器从而学习到相应的参数，使得误差函数的值最校图
【作者单位】：上海应用技术学院计算机科学与信息工程学院;苏州大学计算机学院;
【基金】：国家自然科学基金项目(61272005)
【分类号】：TP18

【相似文献】