使用稀疏自编码器实现高光谱图像异常探测 其中包含： 1、训练部分 train_SAE_pytorch.py 2、探测部分 Anomaly_detection.py 3、用到的读取数据集的函数 datasets.py 4、圣地亚哥机场高光谱数据集 sandiego_plane.mat

这是实现UFLDL第二单元“矢量化编程”中用MNIST数据集训练稀疏自编码器主程序，调用了上传的其它几个函数。我的机器上运行10000个样本集的训练大约需要45分钟

在肺结节诊断方法研究中,传统机器学习诊断方法存在诊断性能不稳定的问题.为了提高孤立性肺结节的识别准确率,提出基于粒子群优化(particle swarm optimization,PSO)参数的极限学习机(extreme learning machine,ELM)辅助诊断方法.首先采用PSO选取ELM最佳的初始权重ω和偏置b;然后利用最佳参数ω和b对ELM进行训练;再利用PSO-ELM对通过稀疏自编码得到的肺结节特征进行分类识别.实验中,将传统机器学习算法与本文方法进行对比,结果表明,利用粒子群优化算法进行优化的极限学习机在孤立性肺结节诊断方面具有较高识别准确率和稳定的分类性能,可以作为一种有效的肺结节诊断工具.

机器学习中的稀疏表示。含有standford课程及其练习，最后代码都完成实现。

行业分类-物理装置-基于堆栈稀疏自编码的多维力传感器的解耦方法.zip

鉴于将深度学习应用于变压器故障诊断具有良好的故障诊断效果,提出了一种基于栈式稀疏自编码器的矿用变压器故障诊断方法。通过在自编码器隐含层引入稀疏项限制构成稀疏自编码器,再将多个稀疏自编码器进行堆叠形成栈式稀疏自编码器,并以Softmax分类器作为输出层,建立矿用变压器故障诊断模型;利用大量无标签样本对模型进行无监督预训练,并通过有监督微调优化模型参数。算例分析结果表明,与栈式自编码器相比,栈式稀疏自编码器应用于矿用变压器故障诊断具有更高的准确率。

这是稀疏自编码器编程的大致过程，便于初学者掌握它的基本步骤，具体代码会后续传上。尽请期待。

CS294A Lecture notes Sparse autoencoder，Andrew Ng，Stanford University

稀疏自编码器的MATLAB代码实现，按照UFLDL教程给出的教程进行补充编写。

深度学习模型-稀疏自编码matlab算法，内带数据集可直接运行。