针对目前操作工人与工业机器人之间的交互还是采用比较机械化的交互方式，设计使用 Kinect 传感器作为手势采集设备，并使用人的手势来对工业机器人进行控制的方法． 首先，使用深度阈值法与手部骨骼点相结合的方法，从 Kinect 传感器获取的数据中准确地提取出手部图像． 在提取过程中，操作员无需佩戴任何设备，对操作员所站位置没有要求，对背景环境也没要求． 然后，用稀疏自编码网络与 Softmax 分类器结合的方法对手势图像进行识别，手势识别过程包含预训练和微调，预训练是用逐层贪婪训练法依次训练网络的每一层，微调是将整个神经网络看成一个整体微调整个网络的参数，手势识别的准确率达到 99.846%． 最后，在自主研发的工业机器人仿真平台上进行实验，在单手和双手手势下都取得了不错的效果，实验结果验证了手势控制工业机器人的可行性和可用性．

基于自编码网络的入侵检测算法，钟诗航，辛阳，由于入侵检测的特殊性，传统的机器学习算法无法获得良好的泛化性能，而复杂的深度学习算法由于数据集的限制，容易出现过拟合现象

常规毒理学实验方法周期长、耗资高，对现代药物研发和环境化合物安全性评估具有局限性，通过对化合物毒理性研究，提取1 047维分子指纹特征，提出去噪自编码神经网络无监督学习机制及对腐败特征的自联想学习特性提取隐含毒性化合物特征，实现化合物毒性预测和毒性化合物的活性预测。该方法在化合物毒性预测和活性预测中的预测精度分别为79.825%、80.85%，敏感性分别为79.62%、80.25%，特异性分别为80.03%、81.45%。实验结果表明，去噪自编码网络较浅层机器学习更适用于高通量化合物毒性预测，较传统自编码网络更具优越性。

基于深度自编码网络（DAEN），构建了分类深度自编码网络（CDAEN）模型。结合电力变压器在线监测油中溶解气体分析（DGA）数据，提出了基于CDAEN的变压器故障诊断方法。所提方法利用大量无标签样本进行预训练，优化模型参数，并利用少量有标签样本进行微调。实例分析表明，与基于反向传播神经网络（BPNN）、支持向量机（SVM）的故障诊断方法相比，所提方法的诊断正确率更高。