一种基于神经网络权值比较的工业因果挖掘方法技术

本发明专利技术公开一种基于神经网络权值比较的工业因果挖掘方法，该方法利用过程数据训练一组单隐层神经网络，通过这些网络的权值计算出通路权值矩阵和对称通路矩阵，然后通过对比对称通路权值矩阵的元素与阈值的大小来生成表示变量间相关关系的无向图骨架；在此基础上，再通过网络权值对比有效模型复杂度的相对大小，来判断无向图中每一条边的因果指向，最终得到表示变量间因果关系的有向图。本发明专利技术的方法突破了目前一些因果挖掘方法对数据需要满足线性关系、加性噪声或者平稳性的要求，能够用于复杂的工业场景。而且，该方法能够不依赖于人为给定无向图骨架，直接从观测数据中挖掘出无向骨架，并判断每一对无向关系的因果指向，精度较高。精度较高。精度较高。

An industrial causal mining method based on neural network weight comparison

【技术实现步骤摘要】
一种基于神经网络权值比较的工业因果挖掘方法


[0001]本专利技术属于因果挖掘和工业智能建模领域，涉及一种基于神经网络权值比较的工业因果挖掘方法。

技术介绍

[0002]因果挖掘正在逐渐成为一个前沿热点，并且和机器学习社区逐渐交叉。目前，许多基于观测数据的因果挖掘算法正被广泛用于生物，医学，经济学等领域。挖掘出的变量间关系往往揭示了现象背后的因果机制，推动了人们对这些领域的认知发展。机器学习、深度学习的成功也带动了数据驱动的工业智能建模的发展和应用，包括软测量和过程监测等。多个工业过程单元往往存在联系，涉及复杂的反应机理。基于过程数据的因果挖掘算法能够挖掘出有关变量间关系的知识，以指导过程建模和优化控制。
[0003]尽管拥有可使用的观测数据，因果挖掘在工业领域中的应用并未得到足够的关注。因果挖掘在工业领域应用较少的主要原因在于目前广泛使用的因果挖掘算法在使用时需要遵守严格的假设条件，而这些假设对于大多工业场景往往过于严格。例如，PC算法假设连续变量之间存在的关系是线性的，ANM算法假设噪声是加性的，格兰杰因果分析只适用于平稳数据，等等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络权值比较的工业因果挖掘方法，其特征在于，包括以下步骤：步骤一：收集工业变量数据样本，所述数据样本包含p个工业变量，记为x1，x2，...，x
p
；步骤二：搭建p个单隐层神经网络，所述单隐层神经网络包括一个输入层、一个隐藏层和一个输出层，所述输入层包括p个神经元，所述隐藏层包括n
h
个神经元，所述输出层包括1个神经元；步骤三：用收集的数据样本训练这p个单隐层神经网络，使用数据样本中除去待预测变量的其他变量数据作为单隐层神经网络的输入，待预测变量作为输出，通过最小化损失函数的方式对p个单隐层神经网络进行训练，待网络参数稳定后，继续训练一定周期，并根据网络参数稳定后的周期的网络权值平均值来计算输入神经元对输出神经元的贡献度，即通路权值，并得到通路权值矩阵Q；其中，通路权值q和通路权值矩阵Q的计算公式如下：其中，表示第i个输入神经元对待预测的输出神经元j的通路权值，为输入神经元对隐藏层神经元的权重，为隐藏层神经元对待预测的输出神经元j的权重；i≠j，1≤i≤p，i∈N
+
；步骤四：将通路权值矩阵Q对称化，得到对称通路权值矩阵S；步骤五：将S的上三角或下三角元素从小到大排列，取该序列的某一分位数为阈值t，把每一个大于t的元素对应的两个节点用一条边连接起来；从而得到表征变量间连接关系的无向图；步骤六：计算网络参数稳定后的周期的网络权值平均值的L2范数之和，得到输入节点i预测输出节点j的有效模型复杂度EMC
i，j
以及输入节点j预测输出节点i的有效模型复杂度EEC
j，i
；步骤七：如果EMC
i，j
＜EMC
j，i
，则节点i是节点j的原因；如果EMC
j，i
＜EMC
i，j
，则节点j是节点i的原因；最终得到表示工业过程变量间因果关系的有向图。2.根据权利要求1基于神经网络权值比较的工业因果挖掘方法，其特征在于，所述...

【专利技术属性】
技术研发人员：姚乐，何懿萌，孔祥印，葛志强，
申请(专利权)人：浙江大学，
类型：发明
国别省市：