来杰，王晓丹，向前，宋亚飞，权文

（1.空军工程大学防空反导学院，陕西 西安 710051；2.空军工程大学空管领航学院，陕西 西安 710051）

1 引言

深度学习作为机器学习领域的研究热点，自被Hinton 等[1]提出后，便深刻影响着机器学习的发展走向。深度学习通过构建多层神经网络模型，逐层提取样本的高级抽象特征，而后通过分类器或回归算法完成抽象特征到期望输出的映射。与浅层神经网络相比，深度学习模型的多层网络结构拥有更强的特征提取能力，避免了传统机器学习算法需要人工选取特征的局限[2]，同时采用贪婪预训练方式，逐层初始化网络参数，加快了网络收敛速度[3]。深度学习模型的优异性能得益于其复杂的网络结构，而复杂的网络结构则需要大量样本进行训练。然而在有监督学习模式下，大量样本标签的人工标注是非常困难的，这促进了无监督深度学习模型的发展[4]。典型的深度无监督学习模型有自编码器（AE,autoencoder）[5-6]、受限波尔兹曼机（RBM,restricted Boltzmann machine）[7-8]与生成对抗网络（GAN,generative adversarial network）[9]。

自编码器作为典型的无监督深度学习模型，旨在通过将网络的期望输出等同于输入样本，实现对输入样本的抽象特征学习。Rumelhart 等[5]最早提出了自编码器的概念，Bourlard 等[6]对其进行了详细的阐释。随着深度学习得到空前的关注，AE 也被广泛研究与改进[10-13]。为获得高维且稀疏的抽象特征表示，Ng[10]通过在隐含层输出中引入稀疏性限制，迫使网络使用较少神经节点提取有效特征，提出了稀疏自编码器（SAE,sparse autoencoder）。Vincent 等[11]提出了去噪自编码器（DAE,denoising autoencoder）。……