一种面向生产要素数据流的低维子空间共享表示方法技术

本发明专利技术属于工业互联网领域领域，具体说是一种面向生产要素数据流的低维子空间共享表示方法。包括以下步骤：多源异构生产要素的高维冗余特征同构子空间表示：将多个表示生产要素的异构数据映射到同一个高维冗余特征同构空间；低维语义共享子空间表示：基于多源异构生产要素相关性的特征学习方法，将高维冗余特征同构空间中的冗余特征映射到低维语义共享子空间。解决多模态数据的子空间共享表示问题，利用增量学习结合TPA

【技术实现步骤摘要】
一种面向生产要素数据流的低维子空间共享表示方法


[0001]本专利技术属于工业互联网领域领域，具体说是一种面向生产要素数据流的低维子空间共享表示方法。

技术介绍

[0002]工业互联网是新一轮科技革命和产业变革背景下的一种全新工业生态，高质量的工业数据共享表示是提取价值关系的保障，工业数据的维度和复杂度远超消费互联网。低维子空间共享表示方法是近年来用于消除多源多模态数据异构性的重要手段。针对融合管理中存在的多源多模态数据的异构问题，研究不同模态的低维共享子空间学习方法，消除异构性以完成深度融合。
[0003]目前存在的基于非负矩阵分解和基于投影的低维共享子空间学习方法虽可以处理异构数据，但仅依靠统计手段难以捕捉互补信息，导致映射到低维空间时会造成信息损失。模型普遍缺乏适应工业数据动态更新的能力，可扩展性差，导致计算代价高昂，难以满足工业生产的海量流数据处理需求，因此，无法直接应用于工业领域。

技术实现思路

[0004]本专利技术采用基于映射关系的低维子空间表示方法，构建低层异构特征空间、同构冗余特征空间。，以克服上述缺陷。
[0005]本专利技术为实现上述目的所采用的技术方案是：
[0006]一种面向生产要素数据流的低维子空间共享表示方法，包括以下步骤：
[0007]多源异构生产要素的高维冗余特征同构子空间表示：将多个表示生产要素的异构数据映射到同一个高维冗余特征同构空间；
[0008]低维语义共享子空间表示：基于多源异构生产要素相关性的特征学习方法，将高维冗余特征同构空间中的冗余特征映射到低维语义共享子空间。
[0009]还包括：面向多源异构数据流的优化过程：通过构建异构数据的关键分量学习模型以及基于关键分量的数据压缩嵌入和元向量，以加速数据流下的多源异构数据共享子空间表示。
[0010]所述多源异构生产要素的高维冗余特征同构子空间表示，包括以下步骤：
[0011]将多源异构数据分解为关键分量、冗余分量和噪声分量，基于冗余分量将异构数据进行关联，并将互相关联的异构数据中的关键分量进行耦合，以将多个异构数据映射到一个高维冗余特征同构空间；
[0012]学习多个异构特征空间向唯一高维冗余特征同构空间的线性变换，并利用生成对抗网络对其进行训练。
[0013]所述线性变换为：
[0014][0015][0016]其中，X和Y分别表示冗余分量关联下的两种异构数据，A和B分别表示需要进行学习的异构数据X和Y向高维冗余特征同构空间映射的线性变换，ε和γ为正参数。
[0017]所述低维语义共享子空间表示，具体为：
[0018]基于迹比准则，学习将高维冗余特征同构空间中的冗余特征映射到低维语义共享子空间的映射矩阵Θ，并利用映射矩阵Θ的正交约束消除冗余分量。
[0019]所述利用映射矩阵Θ的正交约束消除冗余分量，具体为：
[0020][0021]其中，Θ∈R
p
×
k
表示需学习到的映射矩阵，p表示高维冗余空间维数，k表示子空间维数，R表示实数空间，tr表示矩阵的迹，J和R表示不同模态，J
D
和R
D
表示不同模态的类间散点矩阵，J
S
和R
S
表示不同模态间的类内散点矩阵，I为单位矩阵。
[0022]所述面向多源异构数据流的优化，包括以下步骤：
[0023]a)构建异构数据的TPA
‑
LSTM关键分量学习模型，并学习到关键分量；
[0024]b)根据关键分量学习历史异构数据的压缩嵌入和元向量，并对历史异构数据的压缩嵌入与元向量进行增量学习，以缩短数据流中当前数据的训练时间。
[0025]所述步骤a)包括以下步骤：
[0026]a1)使用D
m
＝{d1,d2,
…
,d
n
}表示一段异构数据数据流的记录，每一个数据块d都是一个具有N个不同模态属性数据的数据组
[0027]a2)对于当前数据块d的某一属性数据a，基于TPA
‑
LSTM关键分量学习模型，为属性a数据添加注意力机制，得到数据a的注意力权重，当权重高于设定的阈值时，则将其判定为关键分量；
[0028]a3)使用损失函数L
r
对TPA
‑
LSTM关键分量学习模型进行评价，所述损失函数L
r
为：
[0029]L
r
＝
‑
log(σ(s(a,d
‑
a
)))
‑
∑log(σ(
‑
s(a,d
‑
a
)))
[0030]其中，σ为激活函数，s为添加注意力机制的相似度计算函数；
[0031]a4)使用自适应方法优化损失函数，同时减轻对历史记录的过拟合。
[0032]所述自适应方法具体为：
[0033]对于每一个数据块d，计算其每个数据项的内部关联参数
[0034][0035]其中，x和y分别表示数据项r中的两个不同的属性数据，表示属性x的向量表示的转置，v
y
表示属性y的向量表示；
[0036]然后计算数据块d的自适应速率其中τ表示数据块d的权重，ω表示标准学习率，参数越大则自适应速率越小，当自适应速率小于设定的阈值时，表示已经过拟合。
[0037]所述步骤b)包括以下步骤：
[0038]b1)根据步骤a)中TPA
‑
LSTM关键分量学习模型输出的关键分量，对数据流的历史数据块中具有相同语义的数据进行聚类，并为每个聚类输出一个元向量用于表征此聚类，多个元向量构成元向量组P；
[0039]b2)对每一个属性聚类中的属性数据x，其当前时刻关键分量的向量表示为其中是x的一个历史数据的压缩嵌入；
[0040]b3)学习压缩嵌入的损失函数L：
[0041][0042]其中λ是给定的正则化项的权重；
[0043]b4)正则化项并使用稀疏矩阵来存储压缩嵌入，以降低所需的内存。
[0044]本专利技术具有以下有益效果及优点：
[0045]1.本专利技术提出的方法基于多模态生产要素硬实时数据流的低维子空间共享表示方法来处理数据噪声、冗余，能够实现子空间共享。
[0046]2.本专利技术低维子空间共享方法构建了多个低层异构特征空间，解决多模态数据的子空间共享表示问题，利用增量学习结合TPA
‑
LSTM，将注意力机制添加到时间序列上，完成针对数据流的加速处理。本专利技术构建的中层同构冗余特征空间，充分利用了不同模态间的互补信息并，消除了数据的异构性。
附图说明
[0047]图1是整体流程图；
[0048]图2是基于映射关系的生产要素数据流的低维子空间共享表示框架图；
[0049]图3是本专利技术的多个低层异构特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向生产要素数据流的低维子空间共享表示方法，其特征在于，包括以下步骤：多源异构生产要素的高维冗余特征同构子空间表示：将多个表示生产要素的异构数据映射到同一个高维冗余特征同构空间；低维语义共享子空间表示：基于多源异构生产要素相关性的特征学习方法，将高维冗余特征同构空间中的冗余特征映射到低维语义共享子空间。2.根据权利要求1所述的一种面向生产要素数据流的低维子空间共享表示方法，其特征在于，还包括：面向多源异构数据流的优化过程：通过构建异构数据的关键分量学习模型以及基于关键分量的数据压缩嵌入和元向量，以加速数据流下的多源异构数据共享子空间表示。3.根据权利要求1所述的一种面向生产要素数据流的低维子空间共享表示方法，其特征在于，所述多源异构生产要素的高维冗余特征同构子空间表示，包括以下步骤：将多源异构数据分解为关键分量、冗余分量和噪声分量，基于冗余分量将异构数据进行关联，并将互相关联的异构数据中的关键分量进行耦合，以将多个异构数据映射到一个高维冗余特征同构空间；学习多个异构特征空间向唯一高维冗余特征同构空间的线性变换，并利用生成对抗网络对其进行训练。4.根据权利要求3所述的一种面向生产要素数据流的低维子空间共享表示方法，其特征在于，所述线性变换为：s.t.||A||
*
≤ε/||X||
*
and||B||
*
≤γ/||Y||
*
其中，X和Y分别表示冗余分量关联下的两种异构数据，A和B分别表示需要进行学习的异构数据X和Y向高维冗余特征同构空间映射的线性变换，ε和γ为正参数。5.根据权利要求1所述的一种面向生产要素数据流的低维子空间共享表示方法，其特征在于，所述低维语义共享子空间表示，具体为：基于迹比准则，学习将高维冗余特征同构空间中的冗余特征映射到低维语义共享子空间的映射矩阵Θ，并利用映射矩阵Θ的正交约束消除冗余分量。6.根据权利要求5所述的一种面向生产要素数据流的低维子空间共享表示方法，其特征在于，所述利用映射矩阵Θ的正交约束消除冗余分量，具体为：其中，Θ∈R
p
×
k
表示需学习到的映射矩阵，p表示高维冗余空间维数，k表示子空间维数，R表示实数空间，tr表示矩阵的迹，J和R表示不同模态，J
D
和R
D
表示不同模态的类间散点矩阵，J
S
和R
S
表示不同模态间的类内散点矩阵，I为单位矩阵。7.根据权利要求2所述的一种面向生产要素数据流的低维子空间共享表示方法，其特征在于，所述面向多源异构数据流的优化，包括以下步骤：a)构建异构数据的TPA
...

【专利技术属性】
技术研发人员：曹科研，王明龙，王秋实，祝慧洁，陶杭波，郑闯，汪明锐，
申请(专利权)人：沈阳建筑大学，
类型：发明
国别省市：