摘要
随着深度学习的快速发展，基于大量样本的数据分类取得了重要进展，在很多数据集上，已经超越了人类的识别水平。但是，现实中很多问题的样本数量是极为稀少或者场景难以复现，用于训练的数据非常稀少，传统的深度学习方式在这种情况下效果并不理想。而贝叶斯学习可以利用参数的先验分布和少量样本来估计后验分布，实现小样本条件下机器学习。本文主要基于贝叶斯学习与深度学习结合的贝叶斯变分自编码器网络，从数据增强和神经网络搭建两个方向出发，研究小样本下图像分类方法，主要工作包括如下几个方面： 研究了现有的基础数据增强方法和数据生成方法，对贝叶斯变分自编码器和生成对抗网络进行改进，给出一个用于小样本数据生成的贝叶斯变分生成对抗网络模型。生成器采用贝叶斯变分自编码器，其特征提取的隐层采样过程可以有效避免因样本数据少带的来过拟合问题，且重构损失函数约束重构图片和输入图片一致，解决了生成对抗网络的模式崩溃问题。通过不同的数据生成方法在相同的分类网络上测试，本文生成的数据可以用于训练分类网络，且与其他数据增强方法相比在应用到数据分类的场景中具有更好性能。 研究了现有的度量网络、迁移学习适用于小样本数据分类的方法，结合贝叶斯变分自编码器对孪生网络进行改进，搭建了一个用于小样本数据分类的贝叶斯孪生变分自编码器神经网络，首先对训练样本数据使用预训练的贝叶斯变分自编码器进行降维处理，提取样本的隐含特征，然后将两个样本成对输入孪生网络进行相似度匹配，返回与待测样本标签为同类的样本类别以及正确率，完成小样本数据的分类。在标准数据集上与其他分类方法对比，本文给出的贝叶斯孪生变分自编码器具有更好的分类准确率，并且拥有较高的均值和较低的标准差，分类性能更加稳定。 将本文给出的数据增强方法和小样分类方法应用于变压器局部放电模式识别中，实验证明，本文的方法较对比的分类方法识别正确率更高，通过实际场景复杂问题的应用证明了本文小样本数据分类方法的拓展能力。
NETL