[发明专利]一种基于变样本栈式自编码网络的模式识别方法

说明书

一种基于变样本栈式自编码网络的模式识别方法，属于大数据模式识别领域。现有的模式识别方法在数据维度逐渐增高时，会出现模式识别精度和效率下降问题的问题。一种基于变样本栈式自编码网络的模式识别方法，一、通过变样本栈式自编码网络滤除高维空间样本中噪声，映射成低维空间去噪样本集合；二、利用步骤一获得的低维空间去噪样本集合对样本训练分类器进行训练，得到低维空间去噪样本集合中的典型样本集合；三、基于步骤二获得的典型样本集合，采用逆映射到高维空间获得高维空间典型样本集合，并利用待测试样本与高维空间典型样本集合的相似度识别方法进行模式识别，完成待测试样本的类别判定。本发明与其它算法进行对比，提高了分类准确率。

技术领域

本发明涉及一种模式识别方法，特别涉及一种采用变样栈式自编码网络的大规模高维度模式识别方法。

背景技术

目前，各领域数据都表现出大规模、非线性、高维度的特性。例如，民航发动机的巡航信息包括排气温度偏差值、核心机转速偏差值、燃油流量偏差值等至少27个维度的数据，人脸识别中的一张图片可以看作几百维、甚至上千维的数据向量，医学上用于心脏诊断的数据包括主动脉瓣峰值压差、二尖瓣A峰流速、肺动脉瓣峰值流速等十几个维度的数据。这些高维数据在时间维度上的动态信息，就形成了大规模数据记录，例如民航发动机一个小时内的巡航记录通常以每秒钟以37.5kHz的频率采集，长时间连续记录的动态心电图更是数量庞大的数据记录。高维度、大数据量样本的噪声、非线性、高通量问题使得利用这些数据进行模式识别、故障诊断、状态预测时有较大的精度和效率问题。

发明内容

本发明的目的是为了解决现有的模式识别方法在数据维度逐渐增高时，会出现模式识别精度和效率下降问题的问题，而提出一种基于变样本栈式自编码网络的模式识别方法。

一种基于变样本栈式自编码网络的模式识别方法，所述的方法通过以下步骤实现：

步骤一、通过变样本栈式自编码网络滤除高维空间样本中噪声，映射成低维空间去噪样本集合；

步骤二、利用步骤一获得的低维空间去噪样本集合对样本训练分类器进行训练，得到低维空间去噪样本集合中的典型样本集合；

步骤三、基于步骤二获得的典型样本集合，采用逆映射到高维空间获得高维空间典型样本集合，并利用待测试样本与高维空间典型样本集合的相似度识别方法进行模式识别，完成类别判定。

本发明的有益效果为：

工程领域数据都表现出大规模、非线性、高维度的特性，使得使用现有机器学习方法会产生较大的识别精度误差和识别效率问题。而且在样本空间不完备的情况下，是无法基于现有样本获得最优样本。为了提高栈式自编码网络的特征学习能力，本发明提出了基于变样本栈式自编码网络和遗传算法相结合的模式识别方法。利用自编码网络具有非线性自相关学习、随机噪声在层间学习后会离群的特点，引入基于无迹变换的层间自筛选路径，保留典型样本作为下一层自编码网络的输入，建立变样本栈式自编码网络。采用遗传算法对映射后的低维样本进行进化学习，获得进化后的低维空间样本，以此缩短了识别所需时间。基于低维空间样本及其逆映射还原到高维空间的样本，获得了最优样本。本方法对比多种模式识别方案，利用MNIST手写数字数据库和航空发动机性能参数数据，对方法进行实验验证，并与其它算法进行对比，证明本发明的识别结果获得的分类准确率高于其他识别方法的2倍。

附图说明

图1为本发明涉及的变样本栈式自编码网络示意图；

图2为本发明涉及的获得低维典型样本的单次迭代过程图；

图3为本发明涉及的非线性可分低维样本映射到线性可分高维样本；

图4为本发明涉及的线性可分低维样本映射到线性可分高维样本；

图5为本发明涉及的低维向量到高维向量的还原过程；