基于改進(jìn)深度神經(jīng)網(wǎng)絡(luò)的特征提取方法研究.pdf

1、特征提取是許多算法設(shè)計(jì)過(guò)程中一個(gè)重要的環(huán)節(jié)，特征提取方法成為許多學(xué)者關(guān)注的重點(diǎn)。隨著研究問(wèn)題的復(fù)雜化，傳統(tǒng)方法提取的淺層特征在很多情況下已不能滿(mǎn)足要求。相反，數(shù)據(jù)的深度特征能更好地反映數(shù)據(jù)的內(nèi)部特征，從而實(shí)現(xiàn)更好的控制或分類(lèi)效果。深度學(xué)習(xí)(DL)算法作為深度特征提取方法，在很多領(lǐng)域成功實(shí)現(xiàn)了應(yīng)用。該算法是依靠多層的網(wǎng)絡(luò)結(jié)構(gòu)來(lái)提取深度特征，同時(shí)還能實(shí)現(xiàn)數(shù)據(jù)降維的效果，有效避免“維數(shù)災(zāi)難”問(wèn)題。針對(duì)高維度輸入數(shù)據(jù)分類(lèi)問(wèn)題及控制器設(shè)計(jì)問(wèn)題，本

2、文基于改進(jìn)的深度網(wǎng)絡(luò)提出了新的分類(lèi)方法和控制器設(shè)計(jì)方法，論文主要研究?jī)?nèi)容如下:
　　1.本文針對(duì)高維度輸入數(shù)據(jù)分類(lèi)問(wèn)題進(jìn)行研究，傳統(tǒng)的分類(lèi)方法是通過(guò)組合多種方法來(lái)實(shí)現(xiàn)分類(lèi)功能，結(jié)構(gòu)復(fù)雜。本文采用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)同時(shí)實(shí)現(xiàn)特征提取和分類(lèi)，利用卷積層和子采樣層依次對(duì)數(shù)據(jù)進(jìn)行特征提取，最終提取的特征輸入到多層感知器中進(jìn)行分類(lèi)。網(wǎng)絡(luò)中利用l2正則化以避免過(guò)擬合現(xiàn)象，并借鑒加速鄰近梯度的思想來(lái)訓(xùn)練網(wǎng)絡(luò)，加快了訓(xùn)練速率。最后采用癲癇腦電信號(hào)進(jìn)

3、行了實(shí)驗(yàn)驗(yàn)證。腦電信號(hào)經(jīng)常受到內(nèi)部和外部很多因素的影響和干擾，信號(hào)呈現(xiàn)隨機(jī)性、不規(guī)律、無(wú)周期、非線(xiàn)性的特性，而且時(shí)域信號(hào)維度高。實(shí)驗(yàn)結(jié)果證明，該方法分類(lèi)效果良好。
　　2.另外，本文還針對(duì)數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)控制問(wèn)題進(jìn)行了研究。在工業(yè)控制領(lǐng)域內(nèi)，當(dāng)系統(tǒng)復(fù)雜或模型未知的情況下，數(shù)據(jù)驅(qū)動(dòng)形式的控制器設(shè)計(jì)方法經(jīng)常被采用，該方法依賴(lài)于從原始信息中獲得的特征。提取特征的質(zhì)量對(duì)最終控制結(jié)果的影響很大。論文采用改進(jìn)的自編碼神經(jīng)網(wǎng)絡(luò)獲得系統(tǒng)數(shù)據(jù)的內(nèi)部信