摘要：半監(jiān)督學習通過充分利用大量無標記數(shù)據(jù)和少量有標記數(shù)據(jù)來改善學習性能,近年來已成為機器學習領域的研究熱點.半監(jiān)督生成對抗網(wǎng)絡SGAN將生成對抗網(wǎng)絡擴展到半監(jiān)督學習,通過在原始無標記輸入數(shù)據(jù)的基礎上加入少量有標記數(shù)據(jù),并將判別器轉換成分類器輸出分類結果,以此來解決傳統(tǒng)分類問題中因有標記訓練數(shù)據(jù)太少引起的過擬合問題.但SGAN判別器上的線性卷積層提取圖像深層次特征的能力較弱,使其在半監(jiān)督環(huán)境下對圖像進行分類的準確率不高,且生成的圖像質量較差.為此,提出半監(jiān)督多層感知器生成對抗網(wǎng)絡SMPGAN.該網(wǎng)絡采用多層感知器卷積層代替SGAN判別器上的線性卷積層來提高抽象層次,并在生成器上使用特征匹配進一步提高圖像的分類精度.在不同數(shù)量的有標記樣本輔助下,SMPGAN的分類精度和圖像生成效果均有明顯提升.