100 Proportion=1% --Proportion=1% % *一Pr0p0 rtion=5% Proportion=5% +-Proportion=10% 90 -Proportion=10% 80 一Proportion=50% 日一ProD0rti0n=50% -Variance=1 80 40 0 0 56789101112131415 9101112131415 Mean value (a) 95 Proportion=1% Prooortion=5% *一Pr0p0ton=10% 终的版 0 70 ton10W o0=0 =1 0123456789101112131415 456789101112131415 Mean value Variance (c) (d) 图7噪声对模型准确率影响：(a)输入层只有均值变化：6)输入层只有方差变化：(c)编码层只有均值变化：(@编码层 只弃方差变化 Fig.7 Influence of noise on model accuracy:(a)only the mean value of input layer changes;(b)only the variance of input layer changes;(c)only the mean value ofencode layer changes,(d)only the variance of encode layer changes, 图7中(a),(b),(c),(d为输入层噪声均值，方差，编码层噪声均值，方差，分别对标签占比 为1%，5%，10%和50%四种数据情况的影响。 由图7可以看出，当加入噪声的均值方差在一定范围内变化时，对模型没有太大的影响，模型 准确率在相应范围内波动较这是因为当输入噪声较小时，模型通过不断的训练，能够较好的学 习到输入数据的深层特征，进提高整个模型的抗干扰性：但是随着噪声的均值方差进一步增大，输 入的原始数据逐渐失真，对于输入数据的特征提取能力大幅下降，使得模型的识别率逐渐降低。其 中，由于编码层处网络内部，噪声前后都有一定数量的网络参数，对于噪声的过滤能力较强，所 以在编码层提高噪声强度造成准确率降低的幅度较小，而输入层作为原始输入数据，对噪声敏感性 明显比编码层高， 实验结果表明，由于噪声在小范围内变动不影响模型准确率，但较大噪声的输入会极大影响模 型准确率，故输入层与编码层都采用均值为0，方差为1的高斯噪声作为输入噪声。 3.3模型对比 为了验证Improved-DAE模型的优势，将训练好的模型的编码层与分类层提取出来作为分类器。 以2节中的实验配置按照不同的标签占比，以分类精度为评价标准，与当前主要神经网络分类器模 型进行对比。BP(Back Propagation)神经网络、深度神经网络(Deep Back Propagation,.DBP)与深度置信 网络(Deep Belief Networks,.DBN)2m是传统分类模型，具有良好的识别稳定性，能够保证分类精度， 深度学习长短期记忆网络(Long Short--Term Memory,.LSTM)模型和卷积长短期记忆神经网络图 7 噪声对模型准确率影响:(a)输入层只有均值变化；(b)输入层只有方差变化；(c)编码层只有均值变化；(d)编码层 只有方差变化 Fig.7 Influence of noise on model accuracy: (a) only the mean value of input layer changes; (b) only the variance of input layer changes; (c) only the mean value of encode layer changes; (d) only the variance of encode layer changes; 图 7 中(a)，(b)，(c)，(d)为输入层噪声均值，方差，编码层噪声均值，方差，分别对标签占比 为 1 %，5 %，10 %和 50 %四种数据情况的影响。 由图 7 可以看出，当加入噪声的均值方差在一定范围内变化时，对模型没有太大的影响，模型 准确率在相应范围内波动较小，这是因为当输入噪声较小时，模型通过不断的训练，能够较好的学 习到输入数据的深层特征，并提高整个模型的抗干扰性；但是随着噪声的均值方差进一步增大，输 入的原始数据逐渐失真，对于输入数据的特征提取能力大幅下降，使得模型的识别率逐渐降低。其 中，由于编码层处于网络内部，噪声前后都有一定数量的网络参数，对于噪声的过滤能力较强，所 以在编码层提高噪声强度造成准确率降低的幅度较小，而输入层作为原始输入数据，对噪声敏感性 明显比编码层高。 实验结果表明，由于噪声在小范围内变动不影响模型准确率，但较大噪声的输入会极大影响模 型准确率，故输入层与编码层都采用均值为 0，方差为 1 的高斯噪声作为输入噪声。 3.3 模型对比 为了验证 Improved-DAE 模型的优势，将训练好的模型的编码层与分类层提取出来作为分类器。 以 2 节中的实验配置按照不同的标签占比，以分类精度为评价标准，与当前主要神经网络分类器模 型进行对比。BP(Back Propagation)神经网络、深度神经网络(Deep Back Propagation, DBP)与深度置信 网络(Deep Belief Networks, DBN)[22]是传统分类模型，具有良好的识别稳定性，能够保证分类精度， 深度学习长短期记忆网络(Long Short-Term Memory, LSTM) [23]模型和卷积长短期记忆神经网络 录用稿件，非最终出版稿