基于深度信念网络与联邦学习的隐私保护冷连轧轧制力预测方法技术

本发明专利技术公布了一种基于深度信念网络与联邦学习的隐私保护冷连轧轧制力预测方法，首先，通过最大相关最小冗余技术对轧制数据进行特征选择。然后，构建改进后的深度信念网络轧制力预测模型，利用Leaky‑ReLU RBM和自适应学习率加权对比散度算法进行无监督预训练，在深度信念网络顶部设置PLSR层，反向微调最小化特征集与标签集之间的损失。最后，在联邦学习框架下，设计了一种客户端选择机制和联邦加权聚合机制，利用局部客户端上传的模型训练损失值以及与全局模型的余弦距离选取前u％的局部客户端参与服务器聚合，通过计算局部客户端在每个迭代中的历史梯度L2范数的p百分位数作为当前迭代的裁剪阈值，实现局部客户端的动态梯度裁剪本地化差分隐私功能。

【技术实现步骤摘要】

本专利技术涉及轧制工艺，具体为基于深度信念网络与联邦学习的隐私保护冷连轧轧制力预测方法。

技术介绍

1、金属材料在工业生产中广泛应用，而冷连轧技术是金属材料加工领域的重要环节之一。冷连轧是指在常温下通过多道次的轧制，将金属坯料压制成所需尺寸的工业生产过程。在冷连轧过程中，轧制力是一个重要的物理参数，它直接影响着轧制质量和工艺效率。准确预测轧制力对于优化工艺参数、提高生产效率、降低生产成本具有至关重要的意义。

2、传统的轧制力预测方法主要基于经验模型或者数学建模，如多元线性回归、支持向量机等。这些方法通常需要大量的数据样本作为训练集，然后通过拟合数据和模型参数来预测轧制力。然而，传统方法存在一些局限性：

3、1.数据需求量大：传统方法通常需要大量的中心化数据进行训练和拟合，这意味着需要收集和存储大量的轧制过程数据，增加了数据管理和处理的成本。

4、2.计算复杂度高：对于复杂的金属加工过程，传统方法往往需要复杂的数学模型和计算算法来处理，计算复杂度较高，导致预测效率低下。

5、3.数据隐私安全性差：传统方法通常需本文档来自技高网...

【技术保护点】

1.基于深度信念网络与联邦学习的隐私保护冷连轧轧制力预测方法，其特征在于，所述方法如下：

2.根据权利要求1所述的基于深度信念网络与联邦学习的隐私保护冷连轧轧制力预测方法，其特征在于，在筛选特征集中，特征选择通过最大相关最小冗余技术选取与冷连轧轧制力预测相关的特征，并确保所选特征集合的最大相关性和最小冗余性。特征选择与降维处理采用的技术包括但不限于互信息分析和最大相关最小冗余算法，以确保选取的特征能够有效提高模型的预测精度。

3.根据权利要求1所述的基于深度信念网络与联邦学习的隐私保护冷连轧轧制力预测方法，其特征在于，在所述训练特征数据中，深度信念网络的无监督预训...

【技术特征摘要】

1.基于深度信念网络与联邦学习的隐私保护冷连轧轧制力预测方法，其特征在于，所述方法如下：

2.根据权利要求1所述的基于深度信念网络与联邦学习的隐私保护冷连轧轧制力预测方法，其特征在于，在筛选特征集中，特征选择通过最大相关最小冗余技术选取与冷连轧轧制力预测相关的特征，并确保所选特征集合的最大相关性和最小冗余性。特征选择与降维处理采用的技术包括但不限于互信息分析和最大相关最小冗余算法，以确保选取的特征能够有效提高模型的预测精度。

3.根据权利要求1所述的基于深度信念网络与联邦学习的隐私保护冷连轧轧制力预测方法，其特征在于，在所述训练特征数据中，深度信念网络的无监督预训练过程包括堆叠leaky-relu rbm和引入自适应学习率的加权对比散度，堆叠的leaky-relu rbm通过调整隐藏层节点的数量、学习率以及其他超参数，实现对不同数据分布的自适应学习，增强模型对复杂数据特征的提取能力。

4.根据权利要求1所述的基于深度信念网络与联邦学习的隐私保护冷连轧轧制力预测方法，其特征在于，在构建映射关系中，在深度信念网络顶部集成偏最小二乘回归层，构建特征与轧制力标签之间的高...

【专利技术属性】
技术研发人员：杨新法，李晓阳，朴春慧，侯艳波，王晨，
申请(专利权)人：石家庄洋旺机电技术有限公司，
类型：发明
国别省市：