堆叠自动编码器方法与DBN相同，具体过程描述如下：给定初始输入，采用无监督方式训练第一层自动编码器，减小重构误差达到设定值。把第一个自动编码器隐含层的输出至于AE,根据各种消息来源，深度自动编码器和堆叠自动编码器是完全相同的同义词，例如，这里引用了“Hands-On Machine Learning with Scikit-Learn and TensorFlow
堆叠自动编编码器是深度学习领域常用的一个深度学习模型，由多个自动动编码器串联堆叠构成。堆叠多层自动编码器的目的是为了逐层提取输入数据的高阶特征，在此过程中逐层降低输入数据的维度，将一个本发明首先用堆叠式自动编码器进行特征提取，然后用KNN高斯优化算法对样本进行分类，得到最终的样本检测结果。经过多次实验验证，KNN高斯优化算法比传统KNN算法时间复杂度更低，
堆叠式自动编码器的架构典型地相对于中间隐藏层(编码层)堆成。使用Keras实现堆叠式自动编码器可以实现常规的深度MLP那样来实现堆叠式编码器。特别地，可以使用堆叠式降噪自动编码器（SDA）堆叠式降噪⾃动编码器（SDA）1.1 ⾃动编码器 ⾃动编码器（AutoEncoder，AE）就是⼀种尽可能复现输⼊信号的神经⽹络，其输出向量与输⼊向量同
降噪自动编码器就是在自动编码器的基础之上，为了防止过拟合问题而对输入层的输入数据加入噪音，使学习得到的编码器具有鲁棒性而改进的，是Bengio在08年论文：Extracting and com3.堆叠式自编码器对于很多数据来说，仅使用两层神经网络的自编码器还不足以获取一种好的数据表示，为了获取更好的数据表示，我们可以使用更深层的神经网络，深层神经网络作为自编码器
堆叠自编码器堆叠自编码器即通过仅训练浅层自编码器来得到深度自编码器。只不过训练方式不是端到端，而是逐层贪婪训练：首先，以第一个编码器和最后一个解码器形成一个浅层自编码器；堆叠式自动编码器堆叠式⾃动编码器堆叠式⾃动编码器⾃动编码器可以具有多个隐藏层。在这种情况下，它们被称为堆叠式⾃动编码器（或深度⾃动编码器）。添加更多的层有助于
