【技术实现步骤摘要】
本专利技术涉及基于数据驱动的软测量，尤其涉及一种基于co-mp-dssm(co-training with multiple players in deep soft sensor modeling，多玩家协同学习深度软测量模型)的乳酸菌发酵过程软测量方法。
技术介绍
1、批次过程是指将原料以离散的方式批量加入，经预先设计好的一系列流程进行加工，最终将产品成批输出的一种加工方式，其在食品加工、生物制药等产业中起到十分重要的作用，得到了越来越广泛的使用。其中，乳酸菌发酵作为一种典型的批次过程，是十分热门的研究领域。由于批次过程具有强非线性和时间批次方向上的二维动态特性，且由于仪器昂贵和生产环境较为复杂，直接测量产品的质量非常困难。软测量作为一种计算机技术，通过输入辅助变量进行建模预测最终产品质量变量，成为解决批次过程问题的一个有效的方法。然而，传统的软测量模型大多基于统计学和机器学习方法，但多数方法没有考虑到批次过程的特性，因此效果十分有限。
2、由于计算机与传感器技术的发展，数据获取变得容易，因此数据驱动的模型逐渐获得了更多的关注。深度学习模型在很多领域取得了优异的成果，在批次过程软测量领域也获得了远优于传统方法的效果。然而，传统的深度学习模型大部分用于其他问题或是连续过程，无法很好的处理批次过程的强非线性以及二维动态特性。此外，由于批次过程标签需要费时费力的离线测量，有标签数据的获取十分困难，这会使得深度学习模型的效果下降。因此，需要建立一种考虑到强非线性、二维动态特性以及缺乏有标签数据的软测量模型来保证批次过程软
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于co-mp-dssm的乳酸菌发酵过程软测量方法，旨在解决现有基于数据驱动的软测量方法应用于乳酸菌发酵过程时，由于未考虑强非线性、二维动态特性以及缺乏有标签数据，导致建立的软测量模型对于质量变量有效性降低的技术问题。
2、第一方面，本专利技术提供了一种基于co-mp-dssm的乳酸菌发酵过程软测量方法，包括以下步骤：
3、步骤1、采集乳酸菌正常的发酵过程数据；
4、步骤2、使用所述步骤1中的数据对多个回归器进行多玩家协同学习训练，预测未测量菌体浓度的时刻的伪标签；
5、步骤3、对所述步骤2获得的数据预处理以获得标准化数据；
6、步骤4、对所述步骤3获得的标准化数据进行二维动态滑窗；
7、步骤5、对所述步骤4获得的完成二维动态滑动窗口后的数据建立gstae网络模型；
8、步骤6、对所述步骤5中的gstae网络模型进行迭代训练，直至达到设定的训练次数。
9、在本专利技术的一种实施方式中，所述步骤1中的发酵过程数据为三维数据x(i×j×k)和y(i×1×l)，其中共包含i个批次，每个批次中有k个采样时刻，每个采样时刻里有j个辅助变量，l为菌体浓度信息采集次数。
10、在本专利技术的一种实施方式中，所述步骤2具体包括：
11、使用所述步骤1中的数据对多个knn回归器进行多玩家协同学习训练，在开始时将有标签数据复制成多份，每份对应一个回归器作为其训练集；之后进行迭代，每次每个回归器尝试着对无标签数据集中的每个数据进行预测标签，并用重新训练后的回归器预测有标签数据中的k个近邻；预测效果有改进且改进幅度最大的数据会被加入到剩余所有的训练集中；训练完成后，多个回归器分别预测未测量菌体浓度时刻的标签并进行平均，预测原始无标签数据并与有标签数据合并，得到y'(i×1×k)；
12、其中，标签表示发酵过程该时刻真实的质量变量，伪标签表示模型在训练过程中对质量变量的阶段性预测结果。
13、在本专利技术的一种实施方式中，所述步骤3包括：
14、对所述步骤2获得的数据预处理，将数据转置后按照批次维度对数据进行z-score标准化处理，重新转置后获得标准化数据；
15、z-score标准化采用如下公式：
16、
17、
18、其中，σ为矩阵中元素的标准差，n为每个变量的矩阵中元素的个数，为每个变量的矩阵中元素的平均数，xi和x为矩阵中需要标准化的元素，s为对应元素标准化得到的结果。
19、在本专利技术的一种实施方式中，所述步骤4中的二维动态滑窗的滑动窗口大小为p×q，原数据经窗口滑动后得到数据形状为p×q×(i-p+1)×(k-q+1)×j；将滑动窗口大小和个数分别压缩成为一个维度，得到数据形状为(p×q)×[(i-p+1)×(k-q+1)]×j，以使得数据便于训练；其中，二维动态滑动窗口先沿时间方向滑动，滑动完成后沿批次方向移动一格并重新开始滑动。
20、在本专利技术的一种实施方式中，所述步骤5中的gstae网络模型为全连接的神经网络，其包括多个层，第一层神经元个数与变量个数相等，之后每层神经元个数逐渐减少；每个层与前一个层为自编码器ae的输入层和隐藏层，并在训练时尝试对输入进行重构；每个层包含门控单元，所述门控单元用于控制该层结果对最终输出的影响。
21、在本专利技术的一种实施方式中，所述gstae网络模型在训练阶段包括预训练阶段和微调阶段；
22、在所述预训练阶段，gstae网络模型的每一层自编码器都尝试将输入进行重构并对质量变量进行预测，计算方法如下：
23、
24、其中，和分别为预测得到的过程变量和质量变量，w1和w2分别为输入层到隐藏层之间和隐藏层到输出层的权重矩阵，b1和b2分别为输入层到隐藏层之间和隐藏层到输出层的偏置向量，f和分别为输入层到隐藏层之间和隐藏层到输出层的激活函数；
25、在所述微调阶段，gstae网络模型预测变量标签并尝试拟合真实值，损失计算如下：
26、
27、其中，yi和分别为实际的质量变量和预测的质量变量。
28、在本专利技术的一种实施方式中，所述gstae网络模型预测变量标签的计算公式如下：
29、
30、其中n为gstae网络模型的层数，wgi和woi为每一层门控单元的权重矩阵，bgi和boi为每一层门控单元的偏置向量，σ为sigmoid激活函数，hi为第i个隐藏层的过程变量。
31、第二方面，本专利技术提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于co-mp-dssm的乳酸菌发酵过程软测量方法的步骤。
32、第三方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于co-mp-dssm的乳酸菌发酵过程软测量方法的步骤。
33、本专利技术取得的有益效果：
34、本专利技术通过基于co-mp-dssm的乳酸菌发酵过程软测量方法，首先通过使用多玩家协同学习为无标签数据打上伪标签，解决了有标签数据难以获取对软测量模型带来的不利影响本文档来自技高网...
【技术保护点】
1.一种基于CO-MP-DSSM的乳酸菌发酵过程软测量方法，包括以下步骤：
2.根据权利要求1所述的一种基于CO-MP-DSSM的乳酸菌发酵过程软测量方法，其特征在于，所述步骤1中的发酵过程数据为三维数据X(I×J×K)和y(I×1×L)，其中共包含I个批次，每个批次中有K个采样时刻，每个采样时刻里有J个辅助变量，L为菌体浓度信息采集次数。
3.根据权利要求2所述的一种基于CO-MP-DSSM的乳酸菌发酵过程软测量方法，其特征在于，所述步骤2具体包括：
4.根据权利要求3所述的一种基于CO-MP-DSSM的乳酸菌发酵过程软测量方法，其特征在于，所述步骤3包括：
5.根据权利要求4所述的一种基于CO-MP-DSSM的乳酸菌发酵过程软测量方法，其特征在于，所述步骤4中的二维动态滑窗的滑动窗口大小为p×q，原数据经窗口滑动后得到数据形状为p×q×(I-p+1)×(K-q+1)×J；将滑动窗口大小和个数分别压缩成为一个维度，得到数据形状为(p×q)×[(I-p+1)×(K-q+1)]×J，以使得数据便于训练；其中，二维动态滑动窗口先沿时间方
6.根据权利要求5所述的一种基于CO-MP-DSSM的乳酸菌发酵过程软测量方法，其特征在于，所述步骤5中的GSTAE网络模型为全连接的神经网络，其包括多个层，第一层神经元个数与变量个数相等，之后每层神经元个数逐渐减少；每个层与前一个层为自编码器的输入层和隐藏层，并在训练时对输入进行重构；每个层包含门控单元，所述门控单元用于控制该层结果对最终输出的影响。
7.根据权利要求6所述的一种基于CO-MP-DSSM的乳酸菌发酵过程软测量方法，其特征在于，所述GSTAE网络模型在训练阶段包括预训练阶段和微调阶段；
8.根据权利要求7所述的一种基于CO-MP-DSSM的乳酸菌发酵过程软测量方法，其特征在于，所述GSTAE网络模型预测变量标签的计算公式如下：
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，
...【技术特征摘要】
1.一种基于co-mp-dssm的乳酸菌发酵过程软测量方法，包括以下步骤：
2.根据权利要求1所述的一种基于co-mp-dssm的乳酸菌发酵过程软测量方法，其特征在于，所述步骤1中的发酵过程数据为三维数据x(i×j×k)和y(i×1×l)，其中共包含i个批次，每个批次中有k个采样时刻，每个采样时刻里有j个辅助变量，l为菌体浓度信息采集次数。
3.根据权利要求2所述的一种基于co-mp-dssm的乳酸菌发酵过程软测量方法，其特征在于，所述步骤2具体包括：
4.根据权利要求3所述的一种基于co-mp-dssm的乳酸菌发酵过程软测量方法，其特征在于，所述步骤3包括：
5.根据权利要求4所述的一种基于co-mp-dssm的乳酸菌发酵过程软测量方法，其特征在于，所述步骤4中的二维动态滑窗的滑动窗口大小为p×q，原数据经窗口滑动后得到数据形状为p×q×(i-p+1)×(k-q+1)×j；将滑动窗口大小和个数分别压缩成为一个维度，得到数据形状为(p×q)×[(i-p+1)×(k-q+1)]×j，以使得数据便于训练；...
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。