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：浙江工业大学

摘要：本发明涉及生产过程软测量技术领域，公开了一种基于全局依赖图网络的发酵过程软测量建模方法，所述方法包括以下步骤：步骤1数据的获取和整合；步骤2建模训练；步骤3预测解释。本发明方法采用基于全局依赖图网络的发酵过程软测量建模方法，通过基于图的表示将数据与知识集成在一起，利用先验知识来绘制局部和全局依赖关系，能够准确进行测量和预测，提高了模型的可解释性，具有普遍性和通用性。

主权项：1.一种基于全局依赖图网络的发酵过程软测量建模方法，其特征在于所述方法包括以下步骤：步骤1数据的获取和整合：对发酵数据集设置的滑动窗口，并按照比例分成训练集、验证集和测试集；步骤1.1：从发酵数据集获得变量的数据，包括曝气速率、搅拌功率、底物浓度ES、温度、底物流速、溶解氧浓度EDO、生物量浓度EB、二氧化碳浓度ECO2、pH、生成温度TG、酸流速、基础流速和冷水流速，以此作为软测量建模的输入变量；步骤1.2：使用长度L×步长S的滑动窗口处理数据，创建维度为批次B×样本N×变量V×时间T的数据集，随后按照比例分为训练集、验证集和测试集；步骤1.3：为了简化模型，选择互信息MI标准识别模型输入目标变量中包含最多信息的变量子集；对于任意给定变量xi，其相对于目标Y的MI定义为： 其中，p表示联合或边际概率分布，px、py表示输入变量、输出目标的边际概率分布，px,y表示输入变量与目标联合概率分布，每个过程变量和P之间的MI仅使用来自训练集的数据确定；步骤2建模训练：构建基于全局依赖图网络的发酵过程软测量模型，根据动力学模型建立函数关系并对进行训练；步骤2.1：将设定大于0.9995的MI值作为输入变量，并根据青霉素在Pensim过程中的动力学模型，建立选取的变量之间的函数关系；步骤2.2：根据局部依赖图用局部依赖矩阵来描述，过程数据由给出，其中V表示变量个数，T表示时间步数；首先，估计XG内的变量xi和xj的联合分布并将其映射到伯努利分布 其中，和分别是可训练的权值和偏差，qij表示两个变量之间存在依赖关系的可能性；首先将xi和xj连接起来创建维度为1×2T的数据，然后将其映射到1×T；然后，对伯努利分布进行采样后的矩阵使用Gumbel-softmax进行采样： 式中，gij是遵循Gumbel0,1的独立同分布，τ代表温度参数调节分布的平滑度；当τ趋近于0时，分布转向单热编码；步骤2.3：将可用的先验知识通过先验矩阵P集成到AG中；P中的条目是二进制的，表示A中是否存在已知的连接：A＝P∪AG4为了结合先验知识与探索未知依赖关系，引入一个基于交叉熵的图正则化项LossG和一个稀疏正则化项LossS实现： 式中，E为单位矩阵，E-P表示P中不存在的依赖关系，||2表示L2范数；步骤2.4：全局依赖矩阵AD通过使用SAM表示为注意力矩阵；设置关注变量的个数h，从不同角度提取变量之间的全局依赖关系： 其中h表示关注变量的数量，代表将XG映射到的可训练矩阵，函数Fla代表平坦化操作，将Q，K从变换到Softmax函数代表对元素进行缩放以输出注意矩阵Concat函数代表合并所有注意矩阵，将维度从转换为FCL代表全连接层，它将H个注意力矩阵映射到全局依赖矩阵步骤2.5：利用图卷积层GCLs封装全局依赖，将XG映射到Y，其中AD的焦点被细化为局部依赖矩阵A中承认的依赖关系； 式中，l代表图卷积总层数，°代表Hadamard乘积，D代表归一化的度矩阵A°AD，Hl代表第l层GCL的输出，和为可训练矩阵，σ代表激活函数；步骤3预测解释：采用GNNexplainer的掩蔽机制分离显著影响预测的子图，完成预测。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于全局依赖图网络的发酵过程软测量建模方法