基于半监督深度自编码网络的分类算法及应用

作     者：张新波 张雪英 黄丽霞 陈桂军 ZHANG Xinbo;ZHANG Xueying;HUANG Lixia;CHEN Guijun

作者机构：太原理工大学电子信息与光学工程学院山西太原030024 

出 版 物：《计算机工程》 (Computer Engineering)

年 卷 期：2025年第51卷第1期

页      面：71-80页

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

基　　金：国家自然科学基金(62271342) 山西省重大科技专项(20181102008) 

主　　题：半监督学习 降噪自编码器 稀疏自编码器 特征提取 分类预测 

摘      要：在工业分类预测中,有标签数据稀缺且标记成本高,导致模型预测不准确,同时大多数无标签数据中的特征未得到合理利用,模型的泛化能力不足。为了解决这个问题,提出半监督深度自编码网络(SSup-DDSAE-Link),将有标签数据和无标签数据通过有监督学习和无监督学习进行结合,提升模型预测准确率。该模型首先在深度自编码通道上,分别添加高斯噪声和稀疏性约束,提取与分类相关且更具代表性的特征表示;其次在编码器与解码器之间引入横向连接,过滤与分类任务不相关的信息,使得网络能够更好地学习关键变量的特征表示,并在网络顶层添加有监督学习路径来实现分类识别;然后添加原始编码器,与解码器中对应隐含层的输出一起训练,从而构造无监督学习路径,有效利用无标签数据中的信息;最后通过有监督损失函数与无监督损失函数构造总损失函数,实现对工业生产中关键变量的分类预测。实验结果表明,与常用的有监督学习模型和传统的半监督学习模型相比,SSup-DDSAE-Link的分类预测准确率得到了有效提高,并且精确率、召回率和F1值均得到提升。