本申请涉及数据处理技术领域，具体涉及一种特征提取模型训练方法、装置、及计算机设备；通过训练特征提取模型实现对于在电解铝工艺中关键特征的获取以及基于关键特征实现运行状态的表征。具体过程首先以降噪自编码的隐含层为输入层，并在该输入层后配置一个新的隐含层和输出层构成三层BP人工神经网络，然后将工艺输出层得到的损失函数加入到降噪自编码重构层的损失函数中；最后以构建的区分复合误差函数为目标准则训练模型结构，有望提取到更为稳健的特征信息。稳健的特征信息。稳健的特征信息。
【技术实现步骤摘要】
一种特征提取模型训练方法、装置、及计算机设备
[0001]本申请涉及数据处理
，具体涉及一种特征提取模型训练方法、装置、及计算机设备。
技术介绍
[0002]随着人工智能(Artificial Intelligence，AI)技术的快速发展，人工智能技术被广泛的应用于各个领域，例如，在工业领域，通过人工智能技术可以实现工业控制过程中关键特征的提取，通过关键特征的提取能够获得工艺过程中的运行状态。
[0003]在电解铝装备工艺系统中存在众多工艺参数与技术性能指标(电流效率和吨铝直流电耗)密切相关。但各系列工艺参数之间耦合关联交互太强，不同参数组合产生的运行效果难以估量，故不宜仅采用主要工艺参数参与模型分析。为充分考虑各工艺参数间的协同效应，应将系列工艺参数作为一个整体进行综合特征分析进而参与精准建模。
[0004]针对于现有技术中为了解决以上的问题，可以通过构架降噪自编码神经网络进行处理。降噪自编码神经网络往往将误差函数(损失函数)设定为目标准则，以梯度反向传播训练网络的权值和阈值，其本质是对输入样本数据的一种无损鲁棒特征提取。然而，分类或回归信息可能只存在于高维输入样本中的某些分量。因此在上述特征提取过程中，仅仅以误差函数(损失函数)为目标准则进行优化很可能导致回归信息模糊不清、忽略占据主导位置的特征信息。
技术实现思路
[0005]为了解决以上的技术问题，本申请提供一种特征提取模型训练方法、装置、及计算机设备，通过构建合理的模型以及对模型的训练实现对于特征的精确提取。
[0006]为了达到上述目的，本申请实施例采用的技术方案如下：
[0007]第一方面，一种特征提取模型训练方法，其特征在于，包括：获取待训练使用的样本数据；输入所述样本数据至所述待训练模型，分别得到重构误差函数信息和目标预测误差函数信息；融合所述重构误差函数和所述目标预测误差函数为区分复合误差函数；训练所述待训练模型直至误差满足预设值，并提取所述样本数据中的特征提取向量，输入所述特征提取向量至神经网络进行训练直至所述特征提取向量误差满足预设值。
[0008]在本专利技术的一种示例性实施例中，所述模型结构包括区分降噪自编码网络和ANN神经网络。
[0009]在本专利技术的一种示例性实施例中，输入所述样本数据至所述待训练模型，分别得到重构误差函数信息和目标预测误差函数信息，包括：输入所述样本数据至所述自编码网络得到重构误差函数信息；输入所述样本数据经编码输入至所述ANN神经网络得到目标预测误差函数信息。
[0010]在本专利技术的一种示例性实施例中，训练所述待训练模型直至误差满足预设值，包括：基于所述区分复合误差函数，利用梯度下降算法训练区分降噪自编码网络，直到获取的
误差满足预设误差值。
[0011]在本专利技术的一种示例性实施例中，所述区分降噪自编码网络包括隐含层。
[0012]在本专利技术的一种示例性实施例中，提取所述样本数据中的特征提取向量，包括：当区分降噪自编码网络中的误差满足预设误差值时，从隐含层得到输入样本数据的特征提取向量。
[0013]在本专利技术的一种示例性实施例中，输入所述特征提取向量至神经网络进行训练直至所述特征提取向量误差满足预设值，包括：将提取的特征提取向量输入至所述ANN神经网络模型进行训练，直至所述特征提取向量误差满足预设误差值。
[0014]第二方面，本专利技术还提供一种特征提取方法，基于上述任一项的特征提取模型训练方法中得到的特征提取模型，具体包括以下方法：输入样本数据至所述特征提取模型；通过所述区分自编码网络中的隐含层处理得到对应的特征表达。
[0015]第三方面，本专利技术还提供一种特征提取模型训练装置，包括：获取模块，获取待训练使用的样本数据；第一函数获取模块，用于得到重构误差函数信息和目标预测误差函数信息；融合模块，用于融合所述重构误差函数和所述目标预测误差函数为区分复合误差函数；训练模块，用于训练所述待训练模型直至误差满足预设值，并提取所述样本数据中的特征提取向量，输入所述特征提取向量至神经网络进行训练直至所述特征提取向量误差满足预设值。
[0016]第四方面，本专利技术还提供一种电子设备，所述电子设备包括：存储器，用于存储可执行指令；处理器，用于运行所述存储器存储的可执行指令时，实现上述任一项所述特征提取模型训练方法。
[0017]第五方面，本专利技术还提供一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时实现上述任一项所述AI对象特征提取模型训练方法。
[0018]本申请实施例提供的技术方案中，通过训练特征提取模型实现对于在电解铝工艺中关键特征的获取以及基于关键特征实现运行状态的表征。具体过程首先以降噪自编码的隐含层为输入层，并在该输入层后配置一个新的隐含层和输出层构成三层BP人工神经网络，然后将工艺输出层得到的损失函数加入到降噪自编码重构层的损失函数中；最后以构建的区分复合误差函数为目标准则训练模型结构，有望提取到更为稳健的特征信息。
附图说明
[0019]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中示例数字在附图的各个视图中代表相似的机构。
[0021]图1是本专利技术实施例提供的特征提取模型训练方法的使用场景示意图。
[0022]图2是本专利技术实施例提供的特征提取模型训练装置的组成结构示意图。
[0023]图3是本专利技术实施例提供的特征提取模型训练方法的流程示意图。
[0024]图4是本专利技术实施例提供的特征提取方法的流程示意图。
具体实施方式
[0025]现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本专利技术将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本专利技术的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本专利技术的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本专利技术的各方面变得模糊。
[0026]此外，附图仅为本专利技术的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种特征提取模型训练方法，其特征在于，包括：获取待训练使用的样本数据；输入所述样本数据至所述待训练模型，分别得到重构误差函数信息和目标预测误差函数信息；融合所述重构误差函数和所述目标预测误差函数为区分复合误差函数；训练所述待训练模型直至误差满足预设值，并提取所述样本数据中的特征提取向量，输入所述特征提取向量至神经网络进行训练直至所述特征提取向量误差满足预设值。2.根据权利要求1所述的特征提取模型训练方法，其特征在于，所述模型结构包括区分降噪自编码网络和ANN神经网络。3.根据权利要求2所述的特征提取模型训练方法，其特征在于，输入所述样本数据至所述待训练模型，分别得到重构误差函数信息和目标预测误差函数信息，包括：输入所述样本数据至所述自编码网络得到重构误差函数信息；输入所述样本数据经编码输入至所述ANN神经网络得到目标预测误差函数信息。4.根据权利要求2所述的特征提取模型训练方法，其特征在于，训练所述待训练模型直至误差满足预设值，包括：基于所述区分复合误差函数，利用梯度下降算法训练区分降噪自编码网络，直到获取的误差满足预设误差值。5.根据权利要求4所述的特征提取模型训练方法，其特征在于，所述区分降噪自编码网络包括隐含层。6.根据权利要求5所述的特征提取模型训练方法，其特征在于，提取所述样本数据中的特征提取向量，包...
【专利技术属性】
技术研发人员：姚立忠，余鹏，罗海军，赵蕾，
申请(专利权)人：重庆师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。