电类实验课中测量数据的人工评判对错降低了课堂教学的效率和质量。为此,提出一种改进变分自编码器(MVAE)神经网络,利用均值漂移方法得到实验测量数据的隐变量均值;以实验测量数据的训练集样本为输入,基于反向传播算法对MVAE参数进行训练,学习得到实验测量数据的隐变量标准差和隐变量的正态分布。若待判决的测试样本编码后的数据位于隐变量正态分布的2个标准差范围外,则该样本为异常数据,即错误测量数据。研究结果表明,MVAE模型不仅提高了学习效率,而且提高了异常检测判别的准确率。
电类实验课中测量数据的人工评判对错降低了课堂教学的效率和质量。为此,提出一种改进变分自编码器(MVAE)神经网络,利用均值漂移方法得到实验测量数据的隐变量均值;以实验测量数据的训练集样本为输入,基于反向传播算法对MVAE参数进行训练,学习得到实验测量数据的隐变量标准差和隐变量的正态分布。若待判决的测试样本编码后的数据位于隐变量正态分布的2个标准差范围外,则该样本为异常数据,即错误测量数据。研究结果表明,MVAE模型不仅提高了学习效率,而且提高了异常检测判别的准确率。
您还没有登录,请登录后查看详情
|
437/1000专辑:论文下载