《表2 DAE-DCPNN模型分类混淆矩阵》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《降噪自编码器深度卷积过程神经网络及在时变信号分类中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

单位：%

DAE-DCPNN的结构参数选择如下：CPNN的输入层有12个过程信号输入节点，每个输入节点的输入为一个长度是2 250的导联信号；CPN隐层节点数为64，输入层到CPN隐层的卷积核函数取为12×5×64的卷积核矩阵，利用权值共享的思想，每个CPN隐层节点共用一个长度为5、步长为2的卷积核；CPNN第2隐层节点数为320个，CPN隐层到CPNN第2隐层的连接权函数取为64×320的连接权矩阵。SDAE部分的输入层节点数为320，共堆叠3个DAE网络，其隐层数为160。Softmax分类器输入节点数为320，输出层节点数为7。实验硬件环境为Intel Xeon Gold 5118 [email protected] GHz，实验平台为MATLAB R2016b。在训练中，CPNN的迭代次数设为1 000，DAE深度网络迭代次数为500，全体参数调优BP算法代次数为1 000，各迭代公式学习率均取为0.05。对测试样本集进行测试，5 500个样本共有4 693个判断正确，正确率为85.327%，其分类的混淆矩阵如表2所示。这在12导联ECG长信号识别中是一个较好的结果。