稀疏和标签约束半监督自动编码机的分类算法

摘要: 自动编码机通过深度无监督学习能够表达数据的语义特征，但由于其隐含层节点个数难以有效确定，所处理的数据进一步用于分类时常会导致分类准确度低，稳定性弱等问题。针对这些问题，提出了一种稀疏和标签约束的半监督自动编码机(SLRAE)，以实现无监督学习与监督学习的有机结合，更准确地抽取样本的本质特征。稀疏约束项针对每个隐含结点的响应添加约束条件，从而在隐含神经元数量较多的情况下仍可发现数据中潜在的结构；同时引入标签约束项，以监督学习的方式比对实际标签与期望标签，针对性地调整网络参数，进一步提高分类准确率。为验证所提方法的有效性，实验中对多个数据集进行广泛地测试，其结果表明，相对传统自动编码机(AE)，稀疏自动机（SAE)，以及极限学习机(ELM)，SLRAE所处理的数据应用于同一分类器，能明显提高分类准确率和稳定性。