【技术实现步骤摘要】
本专利技术属于人工智能，涉及一种基于主动学习策略和自构造神经网络的半监督软测量方法。
技术介绍
1、数据驱动的建模方法依赖于大量的数据，然而在实际工业过程中，由于标记成本昂贵、采样率低、工业现场环境恶劣等因素，数据的获取非常困难。传统软测量建模的方法大多数只利用有标签样本，而大量蕴含在无标签样本中的有用信息都会被忽略，当有标签样本有限时，提供的先验信息也有限。监督式的建模方法无法保证数据驱动模型的预测性能。
2、本专利技术设计了一种基于主动学习策略和自构造神经网络的半监督软测量方法，将半监督学习和工业过程软测量建模结合起来，为了对有标签样本进行数据增强，通过主动学习从大量无标签样本中选取最有价值、对模型提升最大的无标签样本，不仅能实现关键质量变量的实时预测估计，同时又能最大程度的提高软测量模型的性能。
技术实现思路
1、专利技术目的：针对
技术介绍
中指出的问题，本专利技术提出一种基于主动学习策略和自构造神经网络的半监督软测量方法，通过引入对输入空间划分更为灵活的非对称高斯函数作为隶属函数，对sofnn-hps结构调整、主动学习挑选样本，对出水氨氮数据进行预测，此方法不仅有助于提高模型的计算效率，而且有利于提高模型的分类精度。
2、技术方案：本专利技术提供了一种基于主动学习策略和自构造神经网络的半监督软测量方法，包括如下步骤：
3、步骤1：利用传感器阵列对污水的水温wt、ph、溶解氧do、高锰酸钾kmno4、总磷tp、总氮tn、电导率ec、浊度tu、
4、步骤2：构建sofnn-hps模型，具有四层结构，分别为输入层、隶属函数层、规则层和输出层，引入非对称高斯函数作为隶属函数，增强非线性系统模糊规则的表征能力；
5、步骤3：所述sofnn-hps模型的结构辨识包含三个部分：模糊规则的增长和修剪以及隶属函数和模糊规则的合并，设计模糊规则分层修剪策略，利用其删除冗余模糊规则，同时利用几何增长准则自动生成模糊规则并采用自适应分配策略来设置模糊规则的前件参数；
6、步骤4：在主动学习中采用核k-means算法、距离度量准则以及高斯回归模型对无标签数据进行选择，得到价值量较大的样本，将其加入到有标签数据集中，对有标签数据集进行数据增强更新；
7、步骤5：用sofnn-hps模型对已更新有标签数据集进行训练，预测出水氨氮浓度。
8、进一步地，所述步骤2的具体步骤如下：
9、sofnn-hps模型采用非对称高斯函数agf作为隶属函数，gd-fnn中的椭球基函数ebf被扩展为广义椭球基功能gebf；
10、所述sofnn-hps模型等价于一个由以下模糊规则描述的t-s模糊推理系统：
11、t-s模糊神经网络fnn的模糊规则描述如下：
12、rj：ifx1 isa1j,...,xn isanj,theny isf(x1,…,xn)
13、式中，j＝1,2，…，r，r表示模糊规则个数，f(x1，…，xn)是输入变量xi的线性函数；
14、输入层：每个节点与输入量x＝[x1,x2,…,xn]t相连接，n为输入变量个数，即节点个数；
15、隶属函数层：该层中的每个神经元表示执行模糊化操作的隶属函数，使用具有动态宽度的agf，xi的第j个agf模糊集神经元的输出由下式给出：
16、
17、
18、其中，cij、σijl和σijr分别为第j条模糊规则的第i个隶属函数的中心、左宽度和右宽度，当xi位于cij的左侧或右侧时，xi的隶属函数值μij(xi)取值并不一样；
19、规则层：每个神经元代表一个潜在模糊规则中的if部分，即前件参数，因此规则层的神经元数等于模糊规则数：
20、
21、其中，x＝[x1,x2,…,xr]t,cj＝[c1j,c2j,…,crj]t,和σj(x)＝[σ1j(x1),σ2j(x2),…,σrj(xr)]t分别代表输入向量、第j个gebf的中心向量和动态宽度向量；
22、输出层：对于一个多输入单输出系统而言，该层仅有一个神经元代表系统的输出变量，该层的输出使用解模糊运算计算获得，该运算是输入信号的加权和，可以表示为：
23、
24、其中，wj为第j条模糊规则的then部分，即后件参数，对于t-s模型，wj为输入变量的多项式，如下：
25、wj＝a0j+a1jx1+…+arjxr,j＝1,2,…,u,
26、其中，a0j,a1j,…,arj(j＝1,2…,u)为第j条规则中输入变量的权值，每个模糊规则有1+r个后件权值。
27、进一步地，所述步骤3中sofnn-hps模型的结模糊规则的增长如下：
28、对于模糊规则数的增长，引入下述两个判据：
29、(1)系统误差判据
30、对于第k个观测数据(xk，tk)，其中，tk是期望的输出，yk是实际的输出，定义系统误差为：
31、||εk||＝||tk-yk||
32、(2)可容纳边界
33、如果一个新样本位于某个存在的高斯函数的覆盖范围即可容纳边界内，样本就可以用已经存在的高斯函数代表，则无须产生新的高斯函数；
34、对第k个观测数据(xk，tk)计算输入值xk和现有的高斯函数单元的中心cj之间的距离dk(j)，即：
35、dk(j)＝||xi-cj||j＝1,2,...u
36、令dmin＝min(dk(j))，如果dmin＞kd，则要考虑增加一条模糊规则，否则该输入数据由现有的最近的高斯函数表示，kd为可容纳边界的有效变量；
37、当进行模型的离线训练时，对ke和kd进行动态调节：首先设置比较大的ke和kd，确定产生输出误差大而没有被现有模糊规则覆盖的位置，通过网络的训练，不断缩小ke和kd：
38、ke＝max[emax×βi,emin]
39、kd＝max[dmax×γi,dmin]
40、式中：εmax为预先定义好的最大误差；εmin为期望的dfnn精度；β为收敛常数，0＜β＜1；dmax为输入空间的最大长度；dmin为最小长度；γ为衰减常数，0＜γ＜1；
41、基于上述两个指标，考虑以下4种情况：
42、a)当||εk||≤ke，dmin≤kd时，表明sofnn-hps可以完全适应观测结果(xk，tk)，不需要增加模糊规则；
43、b)当||εk||≤ke，dmin＞kd时，表明sofnn-hps这说明该系统具有良好的泛化性，只需要调整权重；
44、c)当||εk||＞ke，dmin＞kd时本文档来自技高网...
【技术保护点】
1.一种基于主动学习策略和自构造神经网络的半监督软测量方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于主动学习策略和自构造神经网络的半监督软测量方法，其特征在于，所述步骤2的具体步骤如下：
3.根据权利要求1所述的基于主动学习策略和自构造神经网络的半监督软测量方法，其特征在于，所述步骤3中SOFNN-HPS模型的结模糊规则的增长如下：
4.根据权利要求1所述的基于主动学习策略和自构造神经网络的半监督软测量方法，其特征在于，所述步骤3中SOFNN-HPS模型的规则修剪具体如下：
5.根据权利要求1所述的基于主动学习策略和自构造神经网络的半监督软测量方法，其特征在于，所述步骤3中SOFNN-HPS模型的隶属函数和模糊规则的合并具体如下：
6.根据权利要求1所述的基于主动学习策略和自构造神经网络的半监督软测量方法，其特征在于，所述步骤4中在主动学习中采用核k-means算法、距离度量准则以及高斯回归模型对样本进行选择，得到价值量较大的样本具体操作如下：
【技术特征摘要】
1.一种基于主动学习策略和自构造神经网络的半监督软测量方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于主动学习策略和自构造神经网络的半监督软测量方法，其特征在于，所述步骤2的具体步骤如下：
3.根据权利要求1所述的基于主动学习策略和自构造神经网络的半监督软测量方法，其特征在于，所述步骤3中sofnn-hps模型的结模糊规则的增长如下：
4.根据权利要求1所述的基于主动学习策略和自构造神经网络的半监督软测量方法，其...
【专利技术属性】
技术研发人员：周红标，杨丹，刘佳博，丁唯峰，马响，王乐，周恒瑞，马从国，
申请(专利权)人：淮阴工学院，
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。