这三个问题中，标定工作量大是工程中最大的问题。传统算法需要大量的人工离线经验对具体 的算法进行识别指导，如果标定工作量不足，得到的识别算法准确率无法满足识别需求。 针对上述问题，在本研究中考虑神经网络相关模型。近些年来神经网络作为机器学习的重要分 支，因在数据处理方面呈现出显着的优势而飞速发展。它通过对模型进行训练，自动提取并不断优 化特征，可快速处理大量数据，拥有更好的性能和更高的精度，现在己有很多神经网络应用于热轧 的案例-山。但是目前的神经网络模型大多为有监督学习模型用于预测识别2)，无监督模型6用于 特征提取，很少有专门处理含有少量标定样本的大量数据的半监督学习模型。 目前提出的半监督学习模型，如Ladder Network!)、类别生成对抗网络(Categorical Generative Adversarial Networks,.CAT-GAN)等，在图像识别领域有良好的表现，但是针对数据的半监督学 习却少有研究。 本研究提出一种基于改进降噪自编码器半监督学习模型(Imported Denoising Auto-encoder, Imported-D4E)的热轧带钢水梁印识别算法。通过半监督学习可以有效解决签数是少的问题，利 用少量标定样本和大量无标定样本同时对模型进行训练，使得模型在标签数量较④的情况下具备足 够的学习能力。 水梁印识别算法流程框图如图3所示，首先将采集到的水梁印相送数据进行数据预处理，数据 填充和数据滤波：然后进行特征提取，得到水梁印相关特征数据：进而对特征提取结果进行小样本 标定；之后将包含已标定小样本与大量无标定样本的数据同时对mported-DAE模型进行训练；最 后将训练好的模型作为识别模型进行水梁印识别。 Start Real-time data acquisition Data preprocessing Data filling Data filtering Feature extraction Sample calibration Trained model Model training Water beam mark recognition 录用 End 图3水梁印识别算法流程图 Fig.3 Flow chart of water beam seal recognition algorithm 2改进的降噪自编码器模型设计 2.1自编码器和降噪自编码器原理 自编码器(Auto-Encoder,,AE)是一种无监督模型，可以学习到输入数据的一种特征表示。该 模型的示意图如图4所示。具体来说，AE尝试着去学习一个恒等函数，这个函数包含两部分，编码 器和解码器，AE模型的目的是使得模型的输出值等于或者尽可能地接近于模型的输入值，即X输 入≈Y输出。这三个问题中，标定工作量大是工程中最大的问题。传统算法需要大量的人工离线经验对具体 的算法进行识别指导，如果标定工作量不足，得到的识别算法准确率无法满足识别需求。 针对上述问题，在本研究中考虑神经网络相关模型。近些年来神经网络作为机器学习的重要分 支，因在数据处理方面呈现出显着的优势而飞速发展。它通过对模型进行训练，自动提取并不断优 化特征，可快速处理大量数据，拥有更好的性能和更高的精度，现在已有很多神经网络应用于热轧 的案例[7-11]。但是目前的神经网络模型大多为有监督学习模型用于预测识别[12-15]，无监督模型[16]用于 特征提取，很少有专门处理含有少量标定样本的大量数据的半监督学习模型。 目前提出的半监督学习模型，如 Ladder Network[17]、类别生成对抗网络（Categorical Generative Adversarial Networks, CAT-GAN[18]）等，在图像识别领域有良好的表现，但是针对数据的半监督学 习却少有研究。 本研究提出一种基于改进降噪自编码器半监督学习模型（ Imported Denoising Auto-encoder, Imported-DAE）的热轧带钢水梁印识别算法。通过半监督学习可以有效解决标签数量少的问题，利 用少量标定样本和大量无标定样本同时对模型进行训练，使得模型在标签数量较少的情况下具备足 够的学习能力。 水梁印识别算法流程框图如图 3 所示，首先将采集到的水梁印相关数据进行数据预处理，数据 填充和数据滤波；然后进行特征提取，得到水梁印相关特征数据；进而对特征提取结果进行小样本 标定；之后将包含已标定小样本与大量无标定样本的数据同时对 Imported-DAE 模型进行训练；最 后将训练好的模型作为识别模型进行水梁印识别。 图 3 水梁印识别算法流程图 Fig.3 Flow chart of water beam seal recognition algorithm 2 改进的降噪自编码器模型设计 2.1 自编码器和降噪自编码器原理 自编码器（Auto-Encoder, AE）[19]是一种无监督模型，可以学习到输入数据的一种特征表示。该 模型的示意图如图 4 所示。具体来说，AE 尝试着去学习一个恒等函数，这个函数包含两部分，编码 器和解码器，AE 模型的目的是使得模型的输出值等于或者尽可能地接近于模型的输入值，即 X 输 入  Y 输出。 录用稿件，非最终出版稿