基于堆栈降噪自动编码器的桥梁损伤识别方法
谢祥辉 西南交通大学 2018
分类问题:
1 模型修正法
2 损伤指标法
3 模式识别法 a:人工神经网络 b:支持向量机 缺点:网络结构较为简单,隐含层数量较少,使其模式分类能力较弱,限制了现有模式识别方法在桥梁损伤识别中的应用。深度神经网络克服了 BP 神经网络与支持向量机的不足,具有更强的模式分类和复杂函数拟合能力,适用于解决复杂的模式分类问题。堆栈降噪自动编码器SDAE( Stacked Denoising Autoencoders) 的网络结构和训练优化相对简单且具有较强的模式识别能力,已在手写数字识别等领域取得了良好的应用效果 。但目前关于 SDAE 在桥梁损伤识别领域中的应用研究仍较为欠缺。
降噪自动编码器如下图所示:
**这个图不是一个无限循环的结构吗???**编码过程中激励函数选用的是sigmoid,解码过程中选用的也是sigmoid,用同一个函数是否是合适的?本质上是进行了两次的sigmoid函数非线性变化。
文章提到使用无标签样本的预训练能提高网络结构的识别能力,降低对有标签数据的依赖,这是基于深度学习的神经网络方法的重要基础。(需要进一步论证)。在网络结构上,选用了三层的DAE(降噪自动编码器),三层是怎么确定的?分类器用的还是softmax,属于比较基础的模型。本质上,只是在分类器前面加了三层降噪过滤器。输入还是用的曲率模态。
文章的重大缺陷在于,对于训练数据和测试数据,没有讲清楚是否是同一组数据。如果没有区分训练和测试数据,则实践意义一般。后续会提到谢祥辉的毕业论文,可以看清这个问题是否解决。
问题总结:可以把论文的国内外的分类依据总结出来,目前为止还没有统一的分类。
今日月末。明天九月份开始。论文7+29的研习之路。
深度学习论文研习(三)
最新推荐文章于 2022-04-01 19:56:39 发布