[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

摘要

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。

主权项

1.一种基于变样本栈式自编码网络的模式识别方法，其特征在于：所述方法包括以下步骤：步骤一、采用航空发动机巡航阶段排气温度偏差值、核心机转速偏差值、燃油流量偏差值和飞行高度4个参数构造样本，将多个连续时间点参数串联起来构造高维空间航空发动机样本；通过变样本栈式自编码网络滤除高维空间航空发动机样本中噪声，映射成低维空间去噪航空发动机样本集合；步骤二、利用步骤一获得的低维空间去噪航空发动机样本集合对航空发动机样本训练分类器进行训练，得到低维空间去噪航空发动机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航空发动机样本集合，并利用待测试样本与高维空间典型航空发动机样本集合的相似度识别方法进行模式识别，完成待测试样本的正常或故障类别判定；所述的步骤一中，通过变样本栈式自编码网络滤除高维空间航空发动机样本中噪声，映射成低维空间去噪航空发动机样本集合的过程，具体为：首先，建立栈式自编码网络，通过栈式自编码网络在聚类方法下逐层筛掉高维空间航空发动机样本边缘的样本，在栈式底部获得低维空间航空发动机样本集合；所述的建立栈式自编码网络，之后通过栈式自编码网络在聚类方法下逐层筛掉高维空间航空发动机样本边缘的样本，在栈式底部获得低维空间航空发动机样本集合的过程，具体为：步骤一一、建立栈式自编码网络：(1)、建立n层栈式自编码网络模型：M＝[H₁,H₂,…,H_n]，构造出n‑1层自编码网络；其中，所述的n层栈式自编码网络模型中，输入层H₁对应高维空间航空发动机训练样本，输出层H_n对应低维去噪航空发动机样本集合；H₂至H_n‑1为栈式自编码网络模型M的中间层，表示输入样本H₁的抽象映射空间；所述的n‑1层自编码网络的第i层自编码网络为其模型参数为W_i、B_i、H_i表示自编码网络的输入向量；表示重构的自编码网络的输出向量；H_i+1表示自编码网络的隐含层向量；(2)、训练自编码网络，使自编码网络的输出向量与自编码网络的输入向量H_i之间的误差所成的重构误差达到最小，如式(1)所示：其中，表示激活函数；步骤一二、层间无监督聚类分离离群样本：(1)、对于步骤一一建立的n层栈式自编码网络模型M，将第i层自编码网络的输入样本H_i设置为I_i，数量是N_i；(2)、设定聚类阈值α，获得聚类度或分类辨识度大于α的航空发动机样本作为第i+1层自编码网络的输入，即：I_i+1＝{H_i+1|F(H_i+1)≥α}                             (2)其中，H_i+1是第i+1层自编码网络的隐含层向量，I_i+1是第i+1层自编码网络的输入向量，F(·)是聚类函数或分类器；(3)、设计基于无迹变换的聚类器F(·)，进行第i层自编码器AE_i与第i+1层自编码器AE_i+1的层间去噪；根据设置的聚类阈值α，以F(·)<α为条件选择敏感特征进入网络下一层自编码器AE_i+1。