基于深度学习的软测量建模研究5.pptVIP

这里，无监督预训练的作用是最小化模型的。。。NN的作用是。。。 * 利用DAE-NN模型对污水中凯氏氮含量建模，模型的预测效果如图所示，从图中可以看出，模型基本可以跟踪数据的变化 * 通过对比不同方法的预测结果可以看出，三层的DAE-NN模型具有很好的预测精度与泛化能力。。。(点)通过对比不同层数的DAE-NN模型可以看出，模型的预测能力随着层数的增加而提升。。。（点）通过。。。 * 为了研究经过三层的DAE变换之后得到的高层抽象特征有何特点，这里将数据通过拉普拉斯特征映射将数据投影到三维空间。拉普拉斯特征映射可以保留样本之间的相似性，即保留样本隐含的流形结构。从图中可以看出(点)经过三层的DAE变换之后特征分布更光滑，可以起到降维去噪的作用。 * 本文利用DAE-NN建模。。。（点）从实验结果可以看出。。。（点）对比不同层数的DAE-NN实验结果可以看出，随着层数的增加，模型的预测能力与泛化能力在不断提高 * 这里画出数据经过降维之后的可视化图像，经过三层DAE变换，可以达到对原始样本空间降维去噪的效果 * 因此，DAE-NN模型有 * 为了充分利用无标签样本，本文提出了基于DAE-NN的半监督。。。 自动化系 * 模型的结构框架如图所示，无标签样本在无监督预训练阶段加入，（点）用来提高模型的泛化能力。从模型的优化目标函数也可以看出，无标签样本会对模型的结构起正则化作用 * 利用