深度学习论文研习（四）

基于自编码神经网络的桥梁结构损伤检测研究
王宇鑫 暨南大学 2018
文章引用了聂振华的分类方法，如下图所示。

可见本分类模式并不全面，没有涉及到最近的研究情况，分类较传统。
文章的有点在于，利用高效的深度学习平台Keras 搭建自编码神经网络模型，直接对获取的时域内桥梁结构动力响应数据进行特征提取，避免了利用人工先验知识构造损伤指标来提取响应特征的繁琐。
文章选用了tanh函数作为非线性函数，而RBF选用高斯函数作为基函数。在选择核心函数的时候，依据和利弊分析各是什么? 在选用权重W表示时，表示方法有问题。文章在表示浅层神经网络和深度网络时，本质内容没有说明白。认为一个隐含层的就叫浅层，两个及其以上的就叫深度网络。这是理论概念上的错误。多隐层，并不能称之为深度网络。虽然关于深度网络的概念目前很模糊，但是本质跟浅层网络却是不一样的。文章还表示：相比于浅层网络，深度网络的特征表达能力更为优异，其实质在于后一层的输入数据是前一层的输出数据且每一个隐藏层能够对前一层的输出数据进行非线性变换。深度学习就是利用这种多层堆叠的方式实现对输入信息的分级表达，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示[56]。 对于深度网络，理解太浅显了。
作者认为，常用的深度学习模型有自动编码器（AutoEncoder）、卷积神经网络（CNN）、深度信念网络（DBN）和限制玻尔兹曼机（RBM）等。深度学习的分类具有参考价值，但是并不是完全正确的。进一步指出，自动提取特征信息的本质是什么？仅仅是一个非线性变化的函数吗？在对自编码器的表述问题上，作者认为自编码器的任务就是最大程度复现输入信号的神经网络，在表述上是有歧义的。令输出与输入相同，求之间的各种参数，那么此编码器的意义在于哪里？作者于PCA做了类比，那么自编码器的本质和意义是否同PCA是一样的？下一句话就说用输出拟合输入？输出复现输入？为什么要费力去复现一个无论什么情况下都已知的输入呢？通过编码、解码，复现输入的意义在于什么？
自编码器又分为：稀疏自编码器、栈式自编码（多层稀疏自编码器）。利用深度学习平台 Keras 搭建自编码神经网络模型，然后拿时域上的加速度响应信号制成相应的训练样本投入到网络模型中训练并学习特征信息，最后利用模型学习到的特征构建相应的数值指标来识别损伤。 可以用“移动数据窗口”确定损伤位置。输入为加速度响应。可以结合小波包变化理论。输出是什么？
总结：1：算法的分类 2： 深度学习算法概念 3：tensorflow 4:keras 5:易用时程数据分析，比频率和振型更易实现。
深度学习：用多层模型不断对数据分析、理解、加工，进而对数据里面隐含的语义进行理解。采取端到端学习手段逐层抽象，逐层学习，指的是输入端到输出端。经过卷积、池化、误差反向传播手段，学习得到原始数据的特征表达，基于特征表达对数据进行分类和识别。没有把学习的任务分为子任务分析。编码器和解码器是基于已标注的海量数据为基础的。从输入数据出发，输出为输入数据对应的特征向量。
浅层学习：采用分段学习的手段。如对于图像，要检测出关键信息点，聚类，视觉词典，用视觉单词表达，形成视觉单词直方图。

把加权累加的信息合分别映射到0—1、-1—1、复数神经元不被激活的空间。