特征提取是许多算法设计过程中一个重要的环节,特征提取方法成为许多学者关注的重点。随着研究问题的复杂化,传统方法提取的浅层特征在很多情况下一不能满足要求。相反,数据的深度特征能更好地反映数据的内部特征,从而实现更好的控制或分类效果。深度学习(DL)算法作为深度特征提取方法,在很多领域成功实现了应用。该算法是依靠多层的网络结构来提取深度特征,同时还能实现数据降维的效果,有效避免“维数灾难”问题。针对高维度输入数据分类问题及控制器设计问题,本文基于改进的深度网络提出了新的分类方法和控制器设计方法,论文主要研究内容如下:1.本文针对高维度输入数据分类问题进行研究,传统的分类方法是通过组合多种方法来实现分类功能,结构复杂。本文采用改进的卷积神经网络同时实现特征提取和分类,利用卷积层和子采样层依次对数据进行特征提取,最终提取的特征输入到多层感知器中进行分类。网络中利用l2正则化以避免过拟合现象,并借鉴加速邻近梯度的思想来训练网络,加快了训练速率。最后采用癫痫脑电信号进行了实验验证。脑电信号经常受到内部和外部很多因素的影响和干扰,信号呈现随机性、不规律、无周期、非线性的特性,而且时域信号维度高。实验结果证明,该方法分类效果良好。2.另外,本文还针对数据驱动的学习控制问题进行了研究。在工业控制领域内,当系统复杂或模型未知的情况下,数据驱动形式的控制器设计方法经常被采用,该方法依赖于从原始信息中获得的特征。提取特征的质量对最终控制结果的影响很大。论文采用改进的自编码神经网络获得系统数据的内部信息,网络中加入l1和l2正则化,并采用加速邻近算法训练该网络。根据提取的特征,强化学习能够学习到好的控制策略。并在倒立摆系统上实现了控制器的设计。实验证明,该方法控制效果好,计算复杂度低。