针对栈式稀疏去噪自编码器（SSDA）在图像去噪上训练难度大、收敛速度慢和普适性差等问题，提出了一种基于栈式修正降噪自编码器的自适应图像去噪模型。采用线性修正单元作为网络激活函数，以缓解梯度弥散现象；借助残差学习和批归一化进行联合训练，加快收敛速度；而为克服新模型对噪声普适性差等问题，需要对其进行多通道并行训练，充分利用网络挖掘出的潜在数据特征集计算出最优通道权重，并通过训练权重权重预测模型预测出各通道最优权重，从而实现自适应图像去噪。实验结果表明：与目前降噪较好的BM3D和SSDA方法相比，所提方法不仅在收敛效果上优于SSDA方法，而且能够自适应处理未参与训练的噪声，使其具有更好的普适性。

自编码器及其应用综述.docx

包含数据集和源码， 使用CAE压缩图片，得到压缩的特征。例如将400*300维度的图片压缩为600维的特征。 - 训练 - 生成测试结果 - 生成中间结果 - 画图测试原图与重构图 # 其他 需要根据图片分辨率设置CAE格式 包含数据集和源码， 使用CAE压缩图片，得到压缩的特征。例如将400*300维度的图片压缩为600维的特征。 - 训练 - 生成测试结果 - 生成中间结果 - 画图测试原图与重构图 # 其他 需要根据图片分辨率设置CAE格式

不平衡数据在分类时往往会偏向"多数"，传统过采样生成的样本不能较好的表达原始数据集分布特征.改进的变分自编码器结合数据预处理方法，通过少数类样本训练，使用变分自编码器的生成器生成样本，用于以均衡训练数据集，从而解决传统采样导致的不平衡数据引起分类过拟合问题.我们在UCI四个常用的数据集上进行了实验，结果表明该算法在保证准确率的同时提高了F_measure和G_mean.

为了有效地实现心电信号压缩，以便心电数据的传输和存储，提出了一种基于卷积自编码器的心电压缩方法。通过卷积神经网络对心电图特征提取易实现降维，在卷积自编码器的编码过程中来实现心电压缩，将编码层作为压缩结果。卷积神经网络处理多通道的输入，因此可以实现导联体系的心电压缩。结果采用均方根百分误差和压缩比作为评判标准，单导联心电图压缩比为16，十二导联心电图压缩比为24，均方根损失误差在3%左右，从而验证了卷积自编码器的有效性。

基于pytorch实现的堆叠自编码神经网络，包含网络模型构造、训练、测试 主要包含训练与测试数据（.mat文件）、模型（AE_ModelConstruction.py、AE_Train.py）以及测试例子（AE_Test.py） 其中ae_D_temp为训练数据，ae_Kobs3_temp为正常测试数据，ae_ver_temp为磨煤机堵煤故障数据，数据集包含风粉混合物温度等14个变量 在程序中神经网络的层数和每层神经元个数没有固定，可根据使用者的输入值来构造神经网络，方便调试 autoencoder类在初始化时有三个参数，第一个是网络输入值，第二个是SAE编码过程的层数(编码、解码过程层数相同)，第三个是是否添加BN层 这里为了构造方便，给每层神经元的个数与层数建立一个关系：第一层神经元的个数为2^(layer数+2)，之后逐层为上一层的1/2

autoencoder matlab代码 DLAAE 《Discriminative Latent Attribute Autoencoder for Zero-Shot Learning》CCIS2018。论文代码很大程度参考和。 Dateset AwA() Requirements Matlab==2017a Usage Download the initial mat from , and then put it in ./datasets/ Download the vgg feature of AwA and put those in ./datasets/AwA/. Then datasets will be like this: datasets │ initial_awa_ADS.mat │ └─AwA feat-imagenet-vgg-verydeep-19.mat predicateMatrixContinuous.mat trainTestSplit.mat run main.m Description 读取数据 归一化 PCA降维 初始化 计算相似性空间 计算

引入label信息的做法是，给判别器一个额外的one-hot向量作为输入，这个向量代表类别信息，另外，它还有额外的一个类别用来表示无标记的样本。比如，对于MNI

针对传统机器学习方法不能有效地提取恶意代码的潜在特征，提出了基于栈式自编码（stacked auto encoder，SAE）的恶意代码分类算法。其次从大量训练样本中学习并提取恶意代码纹理图像特征、指令语句中的隐含特征；在此基础上，为提高特征选择对分类算法准确性的提高，将恶意代码纹理特征以及指令语句频度特征进行融合，训练栈式自编码器和softmax分类器。实验结果表明，基于恶意代码纹理特征以及指令频度特征，利用栈式自编码分类算法对恶意代码具有较好的分类能力，其分类准确率高于传统浅层机器学习模型（随机森林、支持向量机），相比随机森林的方法提高了2.474%，相比SVM的方法提高了1.235%。

LSTM自编码器异常检测模型