申请/专利权人：大连理工大学

申请日：2024-04-10

公开（公告）日：2024-07-05

公开（公告）号：CN118296758A

主分类号：G06F30/17

分类号：G06F30/17;G06N3/0442;G06N3/0455;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开了一种面向航空发动机参数的基于双向动态和属性关联的缺失值填补方法，属于数据挖掘领域。首先，对航空发动机参数数据的每个属性，采用线性插值法初始化缺失值。其次，将不完整数据按照正时序和逆时序排列，分别输入模型挖掘不同方向的关联信息。在单向模型训练过程中，利用去跟踪自编码器挖掘航空发动机不同参数间的非线性关联，使用长短期记忆神经网络挖掘数据的单个方向上的时序依赖。通过将属性关联隐藏信息和时序依赖隐藏信息融合，并经过一个全连接线性层和激活函数映射得到单向模型的填补结果。训练完成后，可以获得时序正向的隐藏状态和时序反向的隐藏状态，将两者拼接后通过一个全连接层和激活函数映射得到填补结果。

主权项：1.一种面向航空发动机参数的基于双向动态和属性关联的缺失值填补方法，其特征在于，包括以下步骤：1缺失值进行初始化对航空发动机参数中的缺失值进行初始化处理；航空发动机参数构成一个多元时间序列，对多元时间序列中的每个参数采用线性插值法来初始化缺失值；具体如下：先找到缺失值发生时刻前后的两个最近观测值对应的数据点，然后构建一个一次函数经过这两个数据点，计算得出一次函数的斜率和截距；最后通过该一次函数计算出在缺失值发生时刻的估计值，作为其初始值；2双向结构BDA-LSTMDA-LSTM模型包含基于去跟踪自编码器挖掘属性间关联的模块、基于长短期记忆神经网络挖掘时序依赖的模块以及合并属性关联隐藏信息和时序依赖隐藏信息模块；考虑到在缺失填补过程中，其前方时刻和后方时刻的数据都作为有效信息源头，因此设计能双向处理时序信息的结构BDA-LSTM；令表示输入的不完整数据矩阵，T代表数据的时间步数，s代表数据集的属性维度数；xt表示X在时刻t的数据值；mt表示xt是否是缺失的掩码向量，如果mtj为1，则代表xtj完整；如果mtj为0，则代表xtj缺失；其中，j依次取1，2，…，s；X＝[x1,x2,…,xT]代表正向时序数据，将X输入DA-LSTM模型进行训练，得到基于正向时序数据训练得到的模型M，简称正向模型；Xrev＝[xT,xT-1,…,x1]代表反向的时序数据，将Xrev输入DA-LSTM模型进行训练，得到基于反向时序数据训练得到的模型Mrev，简称反向模型；由于正向模型和反向模型的结构相同，仅输入的数据顺序不同，将反向的时序数据输入[xT,xT-1,…,x1]视为[x′1,x′2,…,x′T]，其余操作过程与正向模型一致，在步骤3-5描述正向模型的架构；3基于去跟踪自编码器挖掘属性间的关联对于正向模型的输入，利用去跟踪自编码器挖掘不同参数之间的非线性关联性；去跟踪自编码器包含输入层、隐藏层和输出层，其中隐藏层包含一层至多层，输出层得到的结果用于重构输入；令正向模型的输入为xt，代表t时刻的正向模型输入，xt1,xt2,…,xts代表其不同的参数属性；在计算正向模型隐藏层的输出时，在输入中删除xtj，其中j依次取1，2，…，s；删除后得到输入： 随后将输入到两层线性层，计算删除第j维属性后的属性关联隐藏信息 式中，f1和f2为线性层；设定第二层线形层输出对应的神经元个数为s，隐藏信息表示为： 式中，代表的第k个维度的值；删除xtj的目的是强制去跟踪自编码器通过其他属性间的关联重构xtj，因此在中仅保留该数值用于估计输入的第j个维度；又由于j依次取1，2，…，s，依次得到将这些信息拼接后并经过一个线性层和激活函数后得到属性关联隐藏信息hattr,t；4基于长短期记忆神经网络挖掘时序依赖通过将缺失值初始化后的航空发动机数据输入长短期记忆神经网络模型进行训练，让LSTM挖掘航空发动机数据内蕴含的时序信息；令rt-1表示上一时刻循环单元的残差信息输出，rt表示当前时刻的残差信息输出；通过将两者拼接，并经过一个线性层映射为用以表征时序依赖对应的隐藏信息htemp,t；5合并属性关联隐藏信息和时序依赖隐藏信息对于不同的航空发动机数据集，其内部的属性关联和时序依赖强度存在较大差异，为了衡量两种强度的相对关系，通过拼接两个权重并通过去跟踪自编码器和长短期记忆神经网络的反向传播学习二者的权重；将两种隐藏信息拼接并且经过一个线性层和激活函数层映射，计算得到正向模型对应于时刻t的输入的综合隐藏信息： 式中，是激活函数，whm是可训练权重，bhm是可训练偏置，|是拼接操作；反向模型的综合隐藏信息记为其计算方式与式4相同；6计算双向模型最终的填补结果在计算得到两个方向模型的综合隐藏信息后，通过拼接两者，并经过一个线性层和激活函数计算得到模型输出；BDA-LSTM模型的损失函数使用模型输出和完整值的二范数计算，在训练中使用Adam算法最小化损失函数，在训练的最后一轮得到的模型输出即为最终的填补结果。

全文数据：

权利要求：

百度查询： 大连理工大学 一种面向航空发动机参数的基于双向动态和属性关联的缺失值填补方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD