计算机工程

作者：张新波, 张雪英, 黄丽霞, 陈桂军

单位：太原理工大学电子信息与光学工程学院, 山西 太原 030024

关键词：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

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

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。

来源：2025年第1期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第1期