摘要：单细胞RNA测序已成为研究生物学重要特征的强大高分辨率工具。然而,其测序条件苛刻,价格成本高昂。目前细胞类型反卷积能够很好地解决这些限制问题,SMCTD(Sparse Model Cell Type Deconvolution)使用稀疏自编码器优化TAPE(Tissue-AdaPtive autoEncoder),使其在直肠癌和PBMC模拟数据上预测细胞类型比列具有更高的灵敏度、准确性和整体性能,同时在预测细胞类型特异性基因表达上表现更优。

摘要：为降低人工成本,提出了一种基于稀疏自编码器的烟叶成熟度分类算法,从计算机视觉角度自动识别烟叶的成熟度。首先对烟叶数字图像进行去除背景、归一化等预处理操作;其次从无监督学习算法入手,利用稀疏自编码器构建特征学习网络;然后使用部分联通网络进行特征扩展,解决烟叶数字图像像素过大、计算耗时长等问题;最后使用Softmax回归对学习到的特征进行分类。结果表明:将稀疏自编码器应用于烟叶成熟度分类,测试数据分类准确率可达98.63%,优于其他分类器的分类精度。该算法直接从像素层面提取所需要的特征,不需要人为选定设计特征,为提高烟叶成熟度分类效率提供了帮助。

摘要：提出了一种基于堆栈稀疏自编码器的深度神经网络方法预测短期用水量。该方法首先通过堆栈稀疏自编码器以无监督学习的方式获得最优权重矩阵和偏差向量。然后,利用最优权重矩阵和偏差向量训练深度神经网络进行短期用水量预测。以某实际供水管网的时用水量数据为例验证所提方法的有效性。结果表明,与支持向量机和不含堆栈稀疏自编码器的深度神经网络相比,所提方法总体上具有更低的平均绝对百分比误差和均方根误差。

摘要：在多数属性网络嵌入算法中,拓扑结构的设计只考虑节点间直接链接,而未考虑节点间间接链接及不同节点的共同链接比,导致不能充分提取网络真实拓扑特征。针对该问题,提出一种基于稀疏自编码器的属性网络嵌入算法SAANE。根据网络拓扑提取二级邻居和共同邻居比并将其融入节点文本属性信息,对融合后的向量通过训练最优稀疏自编码网络得到节点低维嵌入向量。在5个真实网络上进行聚类和分类,实验结果表明,与DeepWalk、Node2Ves、LINE等8种主流算法相比,SAANE的聚类结果最优,NMI值平均提高5.83%,分类准确率平均提高4.53%。

摘要：针对癌症亚型预测中仅使用单组学数据信息有限的问题,提出一种基于稀疏自编码器和相似网络融合的多组学癌症分型预测模型(multi-omics sparse auto-encoder, MOSAE)。利用稀疏自编码器提取患者特征向量,应用相似网络融合方法构建患者的相似度网络。基于患者特征向量和患者相似度网络利用残差图卷积网络构建预测模型。实验结果表明,在乳腺癌和卵巢癌数据上,所提模型识别亚型的准确率比现有方法分别提高了2.74%和19.74%。在TCGA的肺鳞状细胞癌和头颈部癌症数据上验证了MOSAE模型的优越性。

摘要：为能够准确、快速识别网络攻击者,提出一种基于黑客画像的网络攻击者识别方法。构建将稀疏自编码器和贝叶斯神经网络相结合的SAE-BNN模型,检测不同攻击类型的恶意流量;针对不同的恶意流量,通过提取黑客属性特征、流量特征、时间特征和相似性特征,与事先建立的黑客画像库中的黑客画像进行匹配。如果与某个黑客画像完全匹配,则由此确定该黑客的身份。当不能与黑客画像库中的任何黑客画像进行匹配时,将该黑客的特征作为标签,构建新的黑客画像,并更新画像库。实验结果表明,提出的异常流量识别方法在精度、召回率、F1值和准确率上均有提升。基于黑客画像的黑客识别算法与常规方法相比,极大提高了识别效率。

摘要：深度学习是基于深层神经网络的人工智能领域的概念。其架构有卷积神经网络(CNN),深度置信网络(DBN),自动编码器(AE)等。本文描述了一种把稀疏自编码器无监督学习得到的权值矩阵应用于卷积神经网络,而并不直接训练卷积神经网络的图像特征提取方法,并利用提取的特征训练分类器。最终得到的网络分类效果较理想,并且比起传统人工神经网络的图像识别,具有网络参数较少,对图像的平移具有一定的容忍能力,不容易过拟合等优点。

摘要：煤矿井下作业人员姿态检测可为灾害预警和事故救援提供有效信息。井下人员姿态复杂多样,且为时间序列数据,现有人体姿态检测方法或难以处理连续相关的姿态数据,或因算法复杂需配置独立计算机而导致实时性较差。针对上述问题,提出了一种基于改进长短期记忆网络(LSTM)的煤矿井下人体姿态检测方法,通过压力传感器、角度传感器获取井下人员脚底压力、腰腿部角度等姿态数据,由人员随身携带的便携式边缘运算决策单元进行姿态判别,实现井下工作人员站立、行走、弯腰、蹲(坐)、躺卧5种姿态的实时检测。为降低人体姿态原始采样数据维度,提高运算效率,对LSTM进行改进,设计了长短期记忆稀疏自编码器(LSTMSA),先由稀疏自编码器(SA)对原始采样数据进行特征提取,实现降维,再由LSTM进行人体姿态检测。在实验室环境下采集人体姿态数据,分别对LSTMSA、LSTM、循环神经网络(RNN)进行训练和测试,结果表明:在相同的试验设置和采样数据下,LSTMSA对5种人体姿态检测的准确率均达到90%以上,与LSTM接近且大于RNN;LSTMSA运算时间较LSTM缩短50%以上,满足矿井人体姿态检测实时性要求。

摘要：针对目前基于数字人脑切片图像的分割算法较少,分割精度和有效性较低等不足,提出一种基于稀疏自编码器(SAE)深度特征学习的分割算法.在特征提取阶段,采用从粗到精两级方式对SAE进行训练,以增强模型学习到的深度特征的鉴别能力;在分类阶段,使用softmax分类器进行目标分割.对中国可视化人体(CVH)数据集的脑白质分割及三维重建的实验结果表明,相对于其他传统的手工特征(如图像强度特征、方向梯度直方图特征和主成分分析特征),SAE提取的图像深度特征具有更强的鉴别能力,显著地提高了分割精度.

摘要：为改善传统算法无法评估复杂网络安全态势的问题,文中基于深度学习提出了一种相关评估算法。该算法由数据降维模块、网络态势评估模块及输出模块三部分所组成,其中数据降维模块利用稀疏修正系数来改善AE网络,进而使算法具备降维能力;网络态势评估模块则使用DNN模型完成数据训练;再由数据输出模块对网络安全态势进行预测及评估。实验结果显示,所设计算法的准确度、召回率与误报率三项指标均优于其他算法,并可对未来网络安全态势进行较为精准的评估。由此证明了,该算法的优异性能及其所具备的良好工程实用价值。