基于门控堆叠同构自编码器的软测量建模方法及存储介质技术

本发明专利技术提供了一种基于门控堆叠同构自编码器的软测量建模方法及存储介质，包括：搭建门控堆叠同构自编码器；对原始变量标准化处理后输入到门控堆叠同构自编码器中，通过各隐藏层进行逐层无监督预训练，得到各隐藏层的深度抽象特征；并输入对应的门控单元，得到各隐藏层的门值和候补预测值，根据所述门值和所述候补预测值，计算并输出待测变量的预测值；通过有监督微调最小化损失函数，将微调后的门控堆叠同构自编码器作为软测量模型。本发明专利技术提供的方法比传统的堆叠同构自编码器具有更好的信息筛选能力与测量精度，并且具有良好的泛化性，在有监督微调阶段损失函数收敛的更快，充分反映出门控单元对微调阶段的有效性和对数据信息筛选的有效性。据信息筛选的有效性。据信息筛选的有效性。

【技术实现步骤摘要】
基于门控堆叠同构自编码器的软测量建模方法及存储介质


[0001]本专利技术涉及深度学习软测量
，具体涉及一种基于门控堆叠同构自编码器的软测量建模方法及存储介质。

技术介绍

[0002]近年来，由人工神经网络发展起来的深度学习方法在语音识别、视觉目标识别、目标检测等领域取得了很多研究成果。与传统的基于先验知识和分析所设计的特征提取方法相比，深度学习作为一种端到端的学习方法，可以独立学习有用的特征表示，不需要大量的先验知识和工程技能。此外深度学习能够通过深层网络结构对低等级特征进行变换或组合来获得更高等级的抽象特征，从而学习出具有层次结构的深度特征，具有更优异的特征学习能力和获取更本质的数据特征的能力。
[0003]深度学习中的自编码器结构在工业软测量中有着广泛的应用。目前，基于自编码器结构的软测量方法已被广泛应用于复杂工业过程难测变量的在线估计，并取得了大量的理论研究和过程工业应用成果。软测量技术被广泛用于复杂工业过程中的质量指标估计和预测，主要利用工业过程数据建立难以直接测量的质量变量与易于测量的过程变量之间的数学模型。利用该模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于门控堆叠同构自编码器的软测量建模方法，其特征在于，包括以下步骤：搭建门控堆叠同构自编码器，所述门控堆叠同构自编码器包括：门控单元和堆叠同构自编码器；获取与待测变量相关的原始变量，并对所述原始变量进行标准化处理，得到标准化后的数据；将所述标准化后的数据输入到所述门控堆叠同构自编码器中的各隐藏层进行逐层无监督预训练，训练完成，得到各隐藏层的深度抽象特征；将各所述深度抽象特征分别输入到各隐藏层对应的门控单元，得到各隐藏层的门值和候补预测值，根据所述门值和所述候补预测值，计算并输出所述待测变量的预测值；根据所述预测值计算得到损失函数，通过最小化所述损失函数有监督微调所述门控堆叠同构自编码器的网络参数，将微调后的门控堆叠同构自编码器作为软测量模型。2.如权利要求1所述的基于门控堆叠同构自编码器的软测量建模方法，其特征在于，所述堆叠同构自编码器由L个同构自编码器分层堆叠组成，每个所述同构自编码器连接一个门控单元。3.如权利要求1所述的基于门控堆叠同构自编码器的软测量建模方法，其特征在于，所述通过标准化后的数据对所述门控堆叠同构自编码器中的各隐藏层进行逐层无监督预训练，训练完成，得到各隐藏层的深度抽象特征的步骤，具体包括：所述门控堆叠同构自编码器中包括L个同构自编码器，对应L个隐藏层；将标准化后的数据x作为第一个同构自编码器IAE1的输入，第一个同构自编码器IAE1通过最小化重构原始数据误差将x映射到第一个隐藏层，输出第一个隐藏层的深度抽象特征h
L
；将所述第一个隐藏层的深度抽象特征h1作为第二个同构自编码器IAE2的输入，第二个同构自编码器IAE2通过最小化重构原始数据误差将h1映射到第二个隐藏层；依次类推，直至最后一个同构自编码器IAE
L
也被训练好时，即完成了整个的无监督预训练过程，得到各隐藏层的深度抽象特征H＝{h1,h2,
…
,h
L
‑1,h
L
}。4.如权利要求1所述的基于门控堆叠同构...

【专利技术属性】
技术研发人员：彭健，杨建军，袁艺，刘文星，苏雅，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：