羅佳杰　王寶　 張馨嫣　蔡耀儀　吳浩粼　陽(yáng)波

摘? 要： 結(jié)合卷積降噪自編碼器與隨機(jī)森林算法，提出一種新型的卷積降噪自編碼器-隨機(jī)森林（CDAE-RF）模型，并基于可見(jiàn)-近紅外光譜數(shù)據(jù)集來(lái)識(shí)別蘋(píng)果樹(shù)種。首先，通過(guò)網(wǎng)格式搜索、平行實(shí)驗(yàn)的方法優(yōu)化了L1范數(shù)等參數(shù)，提高了模型的魯棒性;然后，對(duì)比實(shí)驗(yàn)分析了CDAE-RF、主成分分析-隨機(jī)森林模型（PCA-RF）、K最近鄰分類算法等方法在不同噪聲水平下光譜識(shí)別的準(zhǔn)確性和魯棒性。實(shí)驗(yàn)結(jié)果表明，相對(duì)于傳統(tǒng)算法，新提出的CDAE-RF模型識(shí)別準(zhǔn)確率達(dá)97.92%，在加噪情況下具有更高的魯棒性。CDAE-RF模型降低了隨機(jī)森林算法對(duì)噪聲的敏感性，提高了噪聲光譜圖像識(shí)別的準(zhǔn)確性，為地物波譜識(shí)別提供了一種新的方法。

關(guān)鍵詞： 可見(jiàn)-近紅外光譜; 蘋(píng)果果樹(shù)品種鑒別; 卷積降噪自編碼器; 隨機(jī)森林算法

中圖分類號(hào)：TP391.4? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2022）05-01-05

A study on identification model of apple tree varieties based on

convolutional denoising autoencoder

Luo Jiajie Wang Bao Zhang Xinyan Cai Yaoyi Wu Haolin ?Yang Bo

Abstract： Combining the convolutional denoising autoencoder and random forest algorithm， a new convolutional denoising autoencoder-random forest （CDAE-RF） model is proposed to identify apple varieties based on the VIS-NIR spectrum data. Firstly， the L1 norm and other parameters are optimized through grid search or parallel experiments in order to improve the robustness of the model; then， under different noise level， the accuracy and robustness of the proposed CDAE-RF model， principal component analysis-random forest model （PCA-RF） and K-nearest neighbor classification algorithm are analyzed by comparative experiments. Experimental results show that compared with traditional algorithm， the accuracy of the proposed CDAE-RF model is as high as 97.92%， and has higher robustness when noise increases. The CDAE-RF model reduces the sensitivity of random forests algorithm to noise， improves the accuracy of noise spectral identification， and provides a new method for feature spectral identification.

Key words： VIS-NIR spectrum; identification of apple tree varieties; convolutional denoising autoencoder; random forest algorithm

引言

在農(nóng)業(yè)管理和資源勘探等活動(dòng)中，常常需要使用遙感技術(shù)對(duì)蘋(píng)果樹(shù)種進(jìn)行識(shí)別。例如，李子藝[1]運(yùn)用地物波譜儀采集到的可見(jiàn)-近紅外光譜數(shù)據(jù)結(jié)合遙感研究了對(duì)南疆蘋(píng)果和梨等常見(jiàn)果樹(shù)蘋(píng)果進(jìn)行分類，檀博軒[2]研究了運(yùn)用遙感影像對(duì)阿克蘇地區(qū)果樹(shù)果林進(jìn)行面積測(cè)算，姬興輝[3]使用遙感技術(shù)研究了贛南油茶種植區(qū)域適宜性。他們的研究重點(diǎn)是光譜成像技術(shù)，沒(méi)有對(duì)光譜分析技術(shù)做系統(tǒng)研究，其算法簡(jiǎn)單，魯棒性差。

將隨機(jī)森林算法與降噪自編碼器結(jié)合起來(lái)，可成為改善光譜分析魯棒性的一種方法。自編碼器是一種基于神經(jīng)網(wǎng)絡(luò)的無(wú)監(jiān)督學(xué)習(xí)模型，具有良好的非線性特征提取能力[4]。隨機(jī)森林是一種基于集成學(xué)習(xí)，包含多個(gè)決策樹(shù)的機(jī)器學(xué)習(xí)分類器，其對(duì)特征值的縮放和各種變換具有更穩(wěn)定的表現(xiàn)，對(duì)無(wú)關(guān)特征是魯棒的[5]。鄭淋文[6]等人將深度稀疏自編碼器結(jié)合支持向量機(jī)用于ECG特征提取;宋輝[6]等人將卷積降噪自編碼器用于地震數(shù)據(jù)去噪，優(yōu)化模型魯棒性;武崢[7]等人證明了將稀疏降噪自編碼器用于特征提取結(jié)合隨機(jī)森林算法能夠進(jìn)一步提高隨機(jī)森林算法的分類性能。

為了提高地物波譜識(shí)別模型的準(zhǔn)確率和魯棒性，本文改進(jìn)了原有的經(jīng)典自編碼器，設(shè)計(jì)出一種卷積降噪自編碼器，并與隨機(jī)森林算法結(jié)合提出了一種基于可見(jiàn)-近紅外光譜（地物波譜）的蘋(píng)果果樹(shù)種分類模型。本文可分為兩大部分，即改進(jìn)模型的設(shè)計(jì)與實(shí)驗(yàn)驗(yàn)證部分。實(shí)驗(yàn)驗(yàn)證部分主要是進(jìn)行了模型優(yōu)化和模型評(píng)價(jià)。首先，將數(shù)據(jù)分別進(jìn)行五種常見(jiàn)的光譜預(yù)處理，并采用CDAE-RF模型進(jìn)行訓(xùn)練，選出了準(zhǔn)確率最高的光譜處理方式;然后，通過(guò)網(wǎng)格式參數(shù)搜索，平行實(shí)驗(yàn)的方式優(yōu)化了CDAE-RF模型;最后，將不同強(qiáng)度的噪聲引入數(shù)據(jù)集，用CDAE-RF模型對(duì)其進(jìn)行訓(xùn)練，并與傳統(tǒng)的卷積自編碼器、PCA-RF模型、K最近鄰分類算法、支持向量機(jī)和隨機(jī)森林算法進(jìn)行對(duì)比，得出CDAE-RF模型特征提取性能好，魯棒性強(qiáng)的結(jié)論。

1 算法設(shè)計(jì)

1.1 卷積降噪自編碼器

傳統(tǒng)的自編碼器采用密集連接的人工神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行特征提取。為了能高效提取序列信息，本文使用了改進(jìn)的自編碼器做特征提取。采用深度可分離卷積[8]提取特征，相較于普通的一維卷積，能反映空間軸與軸之間的特征信息，更好地提取序列特征;引入批處理標(biāo)準(zhǔn)化層[9]，可以很好的解決梯度消失或梯度爆炸問(wèn)題，使訓(xùn)練能夠更好的收斂;采用堆棧式自編碼器[10]結(jié)構(gòu)，使提取的特征表達(dá)能力更強(qiáng)。借鑒降噪自編碼器[11]的設(shè)計(jì)思想，在每一個(gè)深度可分離一維卷積模塊的末尾加入了Dropout[12]層，降低缺失值等異常數(shù)據(jù)對(duì)其的影響;在訓(xùn)練過(guò)程中引入一定范圍的高斯噪聲，降低模型對(duì)噪聲的敏感性。

本文提出的CDAE-RF模型由卷積降噪自編碼器與隨機(jī)森林算法構(gòu)成，數(shù)據(jù)首先經(jīng)過(guò)卷積降噪自編碼器進(jìn)行特征提取，從2151維降到231維。然后將特征數(shù)據(jù)輸入隨機(jī)森林算法進(jìn)行分類處理。其中卷積降噪自編碼器部分（以下簡(jiǎn)稱CDAE）結(jié)構(gòu)如圖1所示。

CDAE由編碼器網(wǎng)絡(luò)和解碼器網(wǎng)絡(luò)組成。編碼器網(wǎng)絡(luò)由兩個(gè)深度可分離卷積（Depthwise separable convolution）模塊組成，接受形狀為（batchsize，2151，1）的三維張量作為輸入。每個(gè)深度可分離卷積模塊有4層。首先，數(shù)據(jù)經(jīng)過(guò)采用tanh函數(shù)作為激活函數(shù)，使用0.0001的L1范數(shù)進(jìn)行正則化的一維深度可分離卷積層進(jìn)行數(shù)據(jù)蒸餾，同時(shí)填充到輸入數(shù)據(jù)大小;然后，經(jīng)過(guò)批處理標(biāo)準(zhǔn)化層進(jìn)行批處理標(biāo)準(zhǔn)化（Batch Normalization）;其次，進(jìn)入最大池化層進(jìn)行三倍下采樣操作;最后，在訓(xùn)練過(guò)程中隨機(jī)斷開(kāi)25%的與下一卷積層的連接。按照數(shù)據(jù)處理的順序，兩個(gè)模塊的過(guò)濾器個(gè)數(shù)和卷積窗口大小分別是32，5和64，5。從數(shù)據(jù)輸入，到兩個(gè)卷積模塊數(shù)據(jù)處理結(jié)束，數(shù)據(jù)維度呈2151-717-239變化，深度加深到64層。

在編碼器完成編碼之后，中間由一個(gè)一維卷積層對(duì)數(shù)據(jù)深度進(jìn)行降維，最后得到（batchsize，239，1）的中間隱層數(shù)據(jù)，完成降維操作，隨后數(shù)據(jù)接入解碼器。解碼器和編碼器的結(jié)構(gòu)基本對(duì)稱，每個(gè)模塊中只是最大池化層換為了上采樣層，對(duì)數(shù)據(jù)進(jìn)行兩次三倍上采樣，數(shù)據(jù)維度由239-717-2151變化，最后連接一個(gè)一維卷積層將深度降到1，獲得與輸入數(shù)據(jù)維度大小相同的輸出數(shù)據(jù)。通過(guò)定義合適的誤差函數(shù)，使數(shù)據(jù)經(jīng)過(guò)CDAE網(wǎng)絡(luò)前后信息損失最小，而其中的編碼器尾部輸出的壓縮數(shù)據(jù)則包含了濃縮后數(shù)據(jù)的豐富特征。

1.2 算法流程

本文提出的CDAE-RF模型由卷積降噪自編碼器與隨機(jī)森林算法構(gòu)成。類比經(jīng)典的降維+機(jī)器學(xué)習(xí)模型的結(jié)構(gòu)，CDAE可以理解成一種改進(jìn)的數(shù)據(jù)降維方式。數(shù)據(jù)首先經(jīng)過(guò)卷積降噪自編碼器進(jìn)行特征提取，從2151維降到231維，然后將特征數(shù)據(jù)輸入隨機(jī)森林算法進(jìn)行分類處理。具體步驟如下。

步驟一 對(duì)輸入的光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，盡量消除基線漂移等情況。以預(yù)處理后的數(shù)據(jù)作為訓(xùn)練集。

步驟二 訓(xùn)練卷積降噪自編碼器網(wǎng)絡(luò)，實(shí)現(xiàn)一個(gè)近似恒等的映射，使得輸入輸出數(shù)據(jù)之間的差別盡可能小，此時(shí)神經(jīng)網(wǎng)絡(luò)中保留了盡可能多的關(guān)于數(shù)據(jù)的信息。

步驟三 凍結(jié)編碼器權(quán)重，讓訓(xùn)練數(shù)據(jù)通過(guò)編碼器從2151維降到231維。

步驟四 將編碼器處理后的數(shù)據(jù)輸入隨機(jī)森林進(jìn)行訓(xùn)練。至此，CDAE-RF模型訓(xùn)練完畢。

步驟五 對(duì)于測(cè)試數(shù)據(jù)，依次經(jīng)過(guò)數(shù)據(jù)預(yù)處理，訓(xùn)練好凍結(jié)權(quán)重的編碼器，隨機(jī)森林得到最終結(jié)果。

2 實(shí)驗(yàn)方法

2.1 數(shù)據(jù)集

本次實(shí)驗(yàn)采用中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所于2015年采集的“蘋(píng)果品種標(biāo)準(zhǔn)葉片圖像和光譜數(shù)據(jù)集”[13]（以下簡(jiǎn)稱數(shù)據(jù)集）。數(shù)據(jù)集的采集地點(diǎn)是隸屬中國(guó)農(nóng)業(yè)科學(xué)院果樹(shù)研究所的果樹(shù)種質(zhì)資源圃，共采集了174種蘋(píng)果品種的葉片數(shù)據(jù)，能夠代表國(guó)內(nèi)種植蘋(píng)果的絕大多數(shù)品種。

數(shù)據(jù)集由蘋(píng)果葉片的圖像數(shù)據(jù)和可見(jiàn)-近紅外光譜數(shù)據(jù)兩部分?jǐn)?shù)據(jù)組成，本次實(shí)驗(yàn)采用其可見(jiàn)-近紅外光譜數(shù)據(jù)進(jìn)行研究。其可見(jiàn)-近紅外光譜數(shù)據(jù)的采集儀器是美國(guó)ASD公司生產(chǎn)的ASD FieldSpec3系列地物波譜儀。原始數(shù)據(jù)經(jīng)其配套軟件粗處理導(dǎo)出后，每個(gè)樣本共有350nm～2500nm波段的2151個(gè)透射率數(shù)據(jù)。

通常，受光程差異、漫反射和光散射、樣本顆粒的大小等噪聲信息的影響，采集的光譜往往會(huì)有一定的基線漂移和傾斜等，需要進(jìn)行矯正。在數(shù)據(jù)使用前，依次進(jìn)行Savitzky-Golay卷積平滑與最大最小歸一化兩種數(shù)據(jù)預(yù)處理[14]。

2.2 模型調(diào)參

模型調(diào)參包括CDAE模型調(diào)參與隨機(jī)森林調(diào)參兩個(gè)部分。

首先是CDAE模型的調(diào)參。L1懲罰項(xiàng)系數(shù)以及神經(jīng)網(wǎng)絡(luò)層與層之間連接隨機(jī)斷開(kāi)的概率（即Dropout比率）是CDAE-RF模型的重要參數(shù)。它們相互影響，共同控制著模型的容差能力和魯棒性，但是與模型的容差能力和魯棒性之間又非簡(jiǎn)單線性關(guān)系。為優(yōu)化模型，在L1懲罰項(xiàng)系數(shù)1e-5～0.1，dropout比率為0～0.5的范圍內(nèi)，以網(wǎng)格參數(shù)搜索的方法確定最佳參數(shù)。

然后是隨機(jī)森林模型的調(diào)參。在隨機(jī)森林算法中，子樹(shù)數(shù)量的多少將影響模型的計(jì)算復(fù)雜度及準(zhǔn)確率。顯然，隨著子樹(shù)數(shù)量的增加，隨機(jī)森林算法的分類性能也隨之提高。 但增加到一定程度后，會(huì)趨于穩(wěn)定。 在性能相差不大的情況下，應(yīng)該用盡可能少的子樹(shù)，因?yàn)樽訕?shù)越多，算法運(yùn)行的時(shí)間就越長(zhǎng)，模型的泛化能力也會(huì)有所降低。為了確定CDAE-RF模型最佳的子樹(shù)個(gè)數(shù)，取子樹(shù)為1～100，其他參數(shù)相同的CDAE-RF模型進(jìn)行對(duì)比測(cè)試，確定最佳子樹(shù)數(shù)量。

2.3 模型評(píng)估

為了比較CDAE-RF模型及其他模型的特征提取能力及進(jìn)行分類的準(zhǔn)確率，選取CAE-RF，PCA-RF，隨機(jī)森林算法，支持向量機(jī)和K最近鄰分類算法與之進(jìn)行對(duì)比。其中CAE-RF即卷積自編碼器-隨機(jī)森林模型，其結(jié)構(gòu)與CDAE-RF類似，不同之處在于其前端特征提取結(jié)構(gòu)為卷積自編碼器。卷積自編碼器是在卷積降噪自編碼器的基礎(chǔ)上去掉Dropout層和設(shè)計(jì)公式中L1范數(shù)懲罰項(xiàng)的自編碼器，相比CDAE模型結(jié)構(gòu)更簡(jiǎn)單。以此類推，PCA-RF模型即將主成分分析作為前端特征提取。其結(jié)構(gòu)也與CDAE-RF模型類似，不同之處在于將主成分分析用于特征提取后，再將數(shù)據(jù)輸入隨機(jī)森林算法。CAE-RF，CDAE-RF，PCA-RF，隨機(jī)森林算法四者相互對(duì)比，可以探究CDAE作為前端特征提取的能力;CDAE-RF，隨機(jī)森林算法，支持向量機(jī)和K最近鄰分類算法四者相互對(duì)比，可以探究CDAE-RF相對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)模型進(jìn)行學(xué)習(xí)的能力。在模型的評(píng)價(jià)指標(biāo)上，由于該數(shù)據(jù)集為一個(gè)平衡的數(shù)據(jù)集，每一類的數(shù)據(jù)相差不大。因此，準(zhǔn)確率（Accuracy）即衡量的正確分類的比例將被用于模型的對(duì)比評(píng)價(jià)。

2.4 魯棒性測(cè)試

在實(shí)際光譜的測(cè)量時(shí)，經(jīng)常會(huì)有大量的噪聲干擾，而隨機(jī)森林算法對(duì)噪聲非常敏感。為了降低隨機(jī)森林算法對(duì)輸入數(shù)據(jù)噪聲的敏感性，可以在數(shù)據(jù)輸入隨機(jī)森林分類器前加上卷積降噪自編碼器先對(duì)數(shù)據(jù)進(jìn)行降噪和降維處理。為了探究CDAE-RF模型在不同噪聲條件下的魯棒性，先給數(shù)據(jù)分別加上40db，35db，30db，25db，20db，15db，10db，7db，5db的高斯分布的白噪聲，然后在加噪的情況下，與隨機(jī)森林算法、PCA-RF模型和CAE-RF模型三個(gè)類似模型進(jìn)行對(duì)比。通過(guò)隨機(jī)森林算法、PCA-RF模型、CAE-RF模型與CDAE-RF模型的對(duì)比，可以探究在加噪情況下卷積降噪自編碼器和其他幾種經(jīng)典特征提取方法在降低隨機(jī)森林敏感性的效果。

3 結(jié)果與討論

3.1 模型調(diào)參

為了確定CDAE模型L1范數(shù)和Dropout比率的最佳參數(shù)，采用網(wǎng)格式搜索的方式在Dropout率為0-40%，L1范數(shù)為1e-5～0.1的范圍內(nèi)進(jìn)行模型優(yōu)化，相關(guān)結(jié)果可見(jiàn)圖2。其中橫坐標(biāo)表示L1的值，縱坐標(biāo)表示Dropout的值，黑點(diǎn)表示數(shù)據(jù)點(diǎn)，顏色表示準(zhǔn)確率。顏色越白，準(zhǔn)確率越高。當(dāng)L1范數(shù)為0.003，Dropout比率為30%時(shí)，模型準(zhǔn)確率最高，確定其為最佳參數(shù)。

為了確定最佳的子樹(shù)個(gè)數(shù)，設(shè)計(jì)99個(gè)子實(shí)驗(yàn)，選取隨機(jī)森林子樹(shù)個(gè)數(shù)從1到100的不同CDAE-RF模型進(jìn)行對(duì)比，在相同光譜數(shù)據(jù)集上訓(xùn)練并測(cè)試，相關(guān)結(jié)果可見(jiàn)圖3。用光滑的曲線擬合實(shí)驗(yàn)所得準(zhǔn)確率數(shù)據(jù)，圖3中實(shí)心點(diǎn)為實(shí)際準(zhǔn)確率數(shù)據(jù)，虛線為擬合的趨勢(shì)線。當(dāng)子樹(shù)數(shù)量為29時(shí)，曲線趨于與x軸平直，認(rèn)為此時(shí)模型性能隨著子樹(shù)數(shù)量增多而無(wú)顯著變化，確定最佳子樹(shù)數(shù)量為29。

3.2 模型評(píng)估

為了比較CDAE-RF模型及其他模型的特征提取能力及進(jìn)行分類的準(zhǔn)確率，在同一光譜數(shù)據(jù)集上訓(xùn)練并測(cè)試，相關(guān)實(shí)驗(yàn)結(jié)果可見(jiàn)圖4。對(duì)比CAE-RF，CDAE-RF，PCA-RF和隨機(jī)森林算法四種模型的準(zhǔn)確率，自編碼器類模型（即CDAE-RF和CAE-RF）明顯好于其他模型，能夠有效濃縮數(shù)據(jù)集中的數(shù)據(jù)特征。PCA-RF模型沒(méi)有能有效的提取特征，還對(duì)數(shù)據(jù)特征造成了損傷，其準(zhǔn)確率低于隨機(jī)森林算法。引入L1范數(shù)及Dropout層的CDAE-RF模型提取特征能力優(yōu)于普通的CAE-RF模型，準(zhǔn)確率最佳。對(duì)比CDAE-RF，隨機(jī)森林算法，支持向量機(jī)和K最近鄰分類算法四種模型的準(zhǔn)確率，隨機(jī)森林算法在2151維的高維度地物波譜數(shù)據(jù)上，相較于支持向量機(jī)和K最近鄰分類算法準(zhǔn)確率更高。在數(shù)據(jù)特征進(jìn)一步濃縮之后，CDAE-RF模型的準(zhǔn)確率要比隨機(jī)森林算法更高。

3.3 魯棒性測(cè)試

在加噪情況下對(duì)比卷積降噪自編碼器和其他幾種經(jīng)典特征提取方法在降低隨機(jī)森林敏感性方面的效果，相關(guān)結(jié)果可見(jiàn)圖5。在無(wú)噪聲加入的情況下，隨機(jī)森林算法、PCA-RF模型、CAE-RF模型與CDAE-RF模型初始準(zhǔn)確率都相差不大，但是在噪聲加入后，其魯棒性各不相同。隨機(jī)森林模型對(duì)噪聲非常敏感，在噪聲下下降速度最快。傳統(tǒng)的主成分分析只能實(shí)現(xiàn)降維，不能抗噪，隨著噪聲強(qiáng)度的增強(qiáng)，準(zhǔn)確率同隨機(jī)森林一樣下降速度很快。引入L1范數(shù)及Dropout層，經(jīng)過(guò)抗噪設(shè)計(jì)的CDAE-RF模型比普通的CAE-RF模型具有更好的魯棒性，在不同噪聲下準(zhǔn)確率始終比其高3%-5%。實(shí)驗(yàn)結(jié)果表明，CDAE-RF模型明顯有著更高的魯棒性，在隨機(jī)森林前加入卷積降噪自編碼器能夠顯著降低隨機(jī)森林對(duì)噪聲的敏感性。

4 結(jié)束語(yǔ)

本文將卷積降噪自編碼器引入光譜分析中，結(jié)合隨機(jī)森林提出了一種CADE-RF模型用于地物波譜分類，實(shí)現(xiàn)了蘋(píng)果果樹(shù)樹(shù)種識(shí)別。研究結(jié)果表明，該模型具有優(yōu)秀的特征提取能力，能夠有效濃縮數(shù)據(jù)集中的數(shù)據(jù)特征，提取非線性特征，相較于卷積自編碼器-隨機(jī)森林模型，主成分分析-隨機(jī)森林模型和隨機(jī)森林算法具有更佳的性能;具有更強(qiáng)的學(xué)習(xí)能力，相較于隨機(jī)森林算法，支持向量機(jī)和K最近鄰分類算法準(zhǔn)確率更高;具有更好的魯棒性，能夠使抑制輸入的數(shù)據(jù)在各個(gè)方向上的擾動(dòng)，降低隨機(jī)森林模型對(duì)噪聲的敏感性。CDAE-RF模型提高了對(duì)噪聲光譜圖像識(shí)別的準(zhǔn)確性，為地物波譜識(shí)別提供了一種新的方法，同時(shí)也為降低隨機(jī)森林算法對(duì)噪聲的敏感性提供了一種思路。

參考文獻(xiàn)（References）：

[1] 李子藝.基于冠層光譜數(shù)據(jù)的南疆盆地主栽果樹(shù)樹(shù)種遙感

分類研究[D].新疆農(nóng)業(yè)大學(xué)，2015

[2] 檀博軒.基于遙感影像的阿克蘇地區(qū)林果種植面積測(cè)算

方法研究與實(shí)現(xiàn)[D].塔里木大學(xué)，2020

[3] 姬興輝.基于遙感的贛南油茶種植區(qū)域適宜性評(píng)價(jià)研究[D].

江西理工大學(xué)，2015

[4] Friedman J， Hastie T， Tibshirani R. The elements of

statistical learning[M]. New York： Springer series in statistics，2001

[5] 鄭淋文，周金治，黃靜.深度稀疏自編碼器在ECG特征提取中的

應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2021：1-13

[6] 宋輝，高洋，陳偉，張翔.基于卷積降噪自編碼器的地震數(shù)據(jù)

去噪[J].石油地球物理勘探，2020，55（6）：1210-1219，1160-1161

[7] 武崢，丁沖，景英川.基于稀疏降噪自編碼器的隨機(jī)森林模型[J].

統(tǒng)計(jì)與信息論壇，2019，34（8）：27-33

[8] Szegedy C， Vanhoucke V， Ioffe S， et al. Rethinking the

inception architecture for computer vision[C]//Proceedings of the IEEE conference on computer vision and pattern recognition，2016：2818-2826

[9] Ioffe S， Szegedy C. Batch normalization： Accelerating deep

network training by reducing internal covariate shift[C]//International conference on machine learning. PMLR，2015：448-456

[10] Zabalza J， Ren J， Zheng J， et al. Novel segmented stacked

autoencoder for effective dimensionality reduction and feature extraction in hyperspectral imaging[J].Neurocomputing，2016，185：1-10

[11] Vincent P， Larochelle H， Lajoie I， et al. Stacked

denoising autoencoders： Learning useful representations in a deep network with a local denoising criterion[J]. Journal of machine learning research，2010，11（12）

[12] Baldi P， Sadowski P J. Understanding dropout[J].

Advances in neural information processing systems，2013，26：2814-2822

[13] 夏雪，李壯，吳定峰，等.蘋(píng)果品種標(biāo)準(zhǔn)葉片圖像和光譜數(shù)據(jù)

集[J].中國(guó)科學(xué)數(shù)據(jù)（中英文網(wǎng)絡(luò)版），2016（1）：43-48

[14] 第五鵬瑤，卞?；?，王姿方，等.光譜預(yù)處理方法選擇研究[J].

光譜學(xué)與光譜分析，2019，39（9）：2800-2806

收稿日期：2021-10-20

基金項(xiàng)目：國(guó)家自然科學(xué)基金青年基金（No.61903138）; 湖南省自然科學(xué)基金青年基金（No.2020JJ5366）; 湖南省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（No.S202010542084）

作者簡(jiǎn)介：羅佳杰（2001-），男，湖南衡陽(yáng)人，本科生，主要研究方向：機(jī)器學(xué)習(xí)，人工智能。

通訊作者：陽(yáng)波（1976-），男，湖南婁底人，博士，教授，主要研究方向：傳感器、機(jī)器人、人工智能。