一种基于通道时空融合注意力的LSTM模型用于软测量模型预测的方法技术

本发明专利技术公开了一种基于通道时空融合注意力的LSTM模型用于软测量模型预测的方法，涉及工业测量技术领域，其技术要点为：包括以下步骤：步骤S1、初始化超参数；步骤S2、数据预处理，标准化数据集Dataset；步骤S3、初始化网络参数；步骤S4、开始训练模型；步骤S5、模型预测输出提出基于通道时空融合注意力的LSTM深度生成模型的软测量模型，充分提取多元变量时序关系特征，在设计特征模块时，融合通道和时空注意力机制，捕捉重要通道和时空的加权融合特征信息，有效提高预测精度。

【技术实现步骤摘要】

本专利技术涉及工业测量，具体涉及一种基于通道时空融合注意力的lstm模型用于软测量模型预测的方法。

技术介绍

1、在工业生产过程中，软测量技术作为一种重要的过程监测和控制手段，广泛的应用于化工、制药、能源等领域，以实现对关键过程中重要且难以测量的变量进行实时监测和预测。软测量技术利用工业生产过程中易于准确测量的辅助变量，通过分析工业生产过程机理，实现对目标变量的预测。目前，主要有三种主流软测量模型，分别是基于过程机制方法、基于知识的方法以及基于数据驱动的方式。基于过程机制方法和知识方法的建模在知道详细且准确的生成过程机制或者有丰富的生产过程经验和知识可实现精准测量，然而随着生产过程的复杂性日益增加，使得详细且准确的了解过程机制无法轻易实现，传统的软测量模型在面对多变、非线性、大时延的工业数据时往往表现不佳，未能充分挖掘数据的潜在规律，导致预测精度欠佳。

2、近些年，随着人工智能技术的发展，基于数据驱动的软测量建模被广泛应用于工业生产过程中，成为先进过程控制技术的重要组成部分，也是化工领域中应用难测过程变量检测的常用技术。基于数据驱动的软测量建模本文档来自技高网...

【技术保护点】

1.一种基于通道时空融合注意力的LSTM模型用于软测量模型预测的方法，其特征是，包括以下步骤：

2.如权利要求1所述的一种基于通道时空融合注意力的LSTM模型用于软测量模型预测的方法，其特征是：编码器部分将输入序列编码转换成隐藏状态序列，接着将隐藏状态序列转换成固定长度向量表示，最后将之前固定长度的向量作为解码器的输入来进行目标输出序列；编码器-解码器的网络输入以滑动窗口T来表示，输入和输出的向量为{x1，x2，x3…，xT}和{y1，y2，y3，…，yl}，在编码器模块中，输入序列首先被编码为隐藏状态序列{h1，h2，h3，…，hT}，隐藏状态序列是从输入提取到的动态特征；...

【技术特征摘要】

1.一种基于通道时空融合注意力的lstm模型用于软测量模型预测的方法，其特征是，包括以下步骤：

2.如权利要求1所述的一种基于通道时空融合注意力的lstm模型用于软测量模型预测的方法，其特征是：编码器部分将输入序列编码转换成隐藏状态序列，接着将隐藏状态序列转换成固定长度向量表示，最后将之前固定长度的向量作为解码器的输入来进行目标输出序列；编码器-解码器的网络输入以滑动窗口t来表示，输入和输出的向量为{x1，x2，x3…，xt}和{y1，y2，y3，…，yl}，在编码器模块中，输入序列首先被编码为隐藏状态序列{...

【专利技术属性】
技术研发人员：朱敏，杨晴，林磊，汪丽，骆立刚，卢鸯，龚超，吴婷桦，王一薇，
申请(专利权)人：浙江省轻工业品质量检验研究院，
类型：发明
国别省市：