基于改進深度神經(jīng)網(wǎng)絡的特征提取方法研究.pdf

1、特征提取是許多算法設計過程中一個重要的環(huán)節(jié)，特征提取方法成為許多學者關注的重點。隨著研究問題的復雜化，傳統(tǒng)方法提取的淺層特征在很多情況下已不能滿足要求。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，從而實現(xiàn)更好的控制或分類效果。深度學習(DL)算法作為深度特征提取方法，在很多領域成功實現(xiàn)了應用。該算法是依靠多層的網(wǎng)絡結構來提取深度特征，同時還能實現(xiàn)數(shù)據(jù)降維的效果，有效避免“維數(shù)災難”問題。針對高維度輸入數(shù)據(jù)分類問題及控制器設計問題，本

2、文基于改進的深度網(wǎng)絡提出了新的分類方法和控制器設計方法，論文主要研究內(nèi)容如下:
　　1.本文針對高維度輸入數(shù)據(jù)分類問題進行研究，傳統(tǒng)的分類方法是通過組合多種方法來實現(xiàn)分類功能，結構復雜。本文采用改進的卷積神經(jīng)網(wǎng)絡同時實現(xiàn)特征提取和分類，利用卷積層和子采樣層依次對數(shù)據(jù)進行特征提取，最終提取的特征輸入到多層感知器中進行分類。網(wǎng)絡中利用l2正則化以避免過擬合現(xiàn)象，并借鑒加速鄰近梯度的思想來訓練網(wǎng)絡，加快了訓練速率。最后采用癲癇腦電信號進

3、行了實驗驗證。腦電信號經(jīng)常受到內(nèi)部和外部很多因素的影響和干擾，信號呈現(xiàn)隨機性、不規(guī)律、無周期、非線性的特性，而且時域信號維度高。實驗結果證明，該方法分類效果良好。
　　2.另外，本文還針對數(shù)據(jù)驅動的學習控制問題進行了研究。在工業(yè)控制領域內(nèi)，當系統(tǒng)復雜或模型未知的情況下，數(shù)據(jù)驅動形式的控制器設計方法經(jīng)常被采用，該方法依賴于從原始信息中獲得的特征。提取特征的質量對最終控制結果的影響很大。論文采用改進的自編碼神經(jīng)網(wǎng)絡獲得系統(tǒng)數(shù)據(jù)的內(nèi)部信