买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：杭州师范大学

摘要：本发明涉及一种基于模态共有特征分离的软测量建模方法。该方法充分考虑工业过程的数据特性，通过β变分自编码器和梯度反转方法，对多模态工业过程进行模态共有特征的提取，同时利用输入生成模态独有的系数，将模态独有系统与模态共有特征相乘，用于多模态过程的软测量建模。将模态基础特征与模态独有参数相结合，用于软测量的回归建模，对关键质量变量进行估计和预报。与现有的其他方法相比，本发明可以有效地提取工业数据中多模态和非线性特征，对待测多模态输入数据进行自动的模态划分，从而利用模态共有特性和独有特性进行建模，大幅度提升软测量模型对多模态工业过程的预测精度。

主权项：1.一种基于模态共有特征分离的软测量建模方法，其特征在于：具体包括如下步骤：步骤一、收集多模态工业过程建模所需的有标签数据集，随机采样，将数据分为训练集输入样本Xtrain∈R1×n和测试集输入样本Xtest∈R1×n,训练集输入样本对应输出样本集Ytrain∈R1×1，测试集输入样本对应输出样本集Ytest∈R1×1，其中n代表变量维度；步骤二、对步骤一中所述训练集Xtrain进行模态划分，为每个样本标注一个对应的模态类别m；步骤三、基于开源深度学习平台Tensorflow搭建基于模态共有特征分离与自加权变分自编码器网络MSCS-SW-VAE模型；步骤1、搭建模态共有特征提取网络：使用β变分自编码器将训练集输入样本Xtrain通过编码器映射到隐层空间，得到隐变量特征均值zmean和方差zsigma，均值和方差经过重参数化得到隐变量z＝zmean+e×zsigma，其中e～N0,I；隐变量z经由解码器得到输入数据Xtrain的重构值定义编码器部分网络参数为θe，解码器部分网络参数为θd；定义模态共有特征提取网络的损失函数为Lx+βDKL，其中Lx为重构损失，βDKL为隐变量损失，βDKL＝βDKLNzmean,zsigma2I,N0,I，DKL表示KL散度，β一般设置为大于1的超参数；步骤2、搭建模态共有特征增益网络及模态分类网络：将步骤1中隐变量特征均值zmean使用softmax分类器确定输入样本属于模态i的概率pi；定义模态分类网络参数为θm，模态分类损失函数为其中k是模态个数，m是模态类别；定义特征增益网络损失函数时，引入了梯度反转方法；当反向梯度传播到隐层空间时，在损失函数Lm前乘以一个负数-λ，以到梯度反转的效果；随训练过程动态改变，p为迭代进程，表示当前迭代次数与总迭代次数的比率，γ取常数10；步骤3、搭建模态独有系数生成网络：输入数据Xtrain经过一个一层的全连接层，再经过一个dropout层，最后通过一个激活函数relu，得到模态独有系数r，定义模态独有系数生成网络参数为θr；步骤4、基于步骤1和步骤3所述隐变量特征均值zmean和模态独有系数r，构建质量变量回归网络：将模态共有特征提取网络中的隐变量特征均值zmean与模态独有系数r相乘，经过多层感知机MLP拟合得到预测值定义质量变量回归网络参数为θy，回归损失函数步骤四、将步骤一和步骤二所述训练样本Xtrain∈R1×n以及样本对应的模态类别m，输入到步骤三搭建的下MSCS-SW-VAE模型进行训练；得到MSCS-SW-VAE模型的损失函数为Lx+Ly+βDKL+Lm；根据各部分损失函数和训练样本输入、输出、模态标签，利用梯度反转方法和随机梯度迭代算法，对各网络参数进行梯度迭代更新；步骤五、将测试集样本Xtest输入到经步骤一～步骤五训练的网络中，获得输出预测值将预测值与输出样本Ytest进行比对，对模型进行验证，完成软测量模型的建立。

全文数据：

权利要求：

百度查询： 杭州师范大学 一种基于模态共有特征分离的软测量建模方法