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：湘江实验室

摘要：本申请涉及一种基于权值分块更新自编码器的多采样率软测量方法，采集并归一化处理工业过程中的历史数据；在训练集中，将采样率相同的过程变量作为一个组合，并按照采样率从高到低对多个组合进行排序，得到多采样率数据；构建权值分块更新自编码器，基于多采样率数据初步训练权值分块更新自编码器；在初步训练后的权值分块更新自编码器后端添加两层全连接神经网络，并通过带有质量变量的多采样率数据对其进行有监督调整，得到基于权值分块更新自编码器的多采样率软测量模型；将测试集中的过程变量输入至多采样率软测量模型，输出对应的质量变量估计值。该方法提高了多采样率数据的软测量性能，具有训练速度快，预测精度高的特点。

主权项：1.一种基于权值分块更新自编码器的多采样率软测量方法，其特征在于，包括：S1：采集并归一化处理工业过程中的历史数据，划分为训练集和测试集；所述历史数据包括过程变量和质量变量；S2：在训练集中，将采样率相同的过程变量作为一个组合，并按照采样率从高到低对多个组合进行排序，得到多采样率数据；S3：构建权值分块更新自编码器，基于所述多采样率数据初步训练所述权值分块更新自编码器；所述权值分块更新自编码器包括编码器和解码器；所述编码器将所述多采样率数据映射为隐含特征，映射公式为： ；其中，表示隐含特征；表示编码器；表示第一非线性映射函数；W表示编码器的权值矩阵；b表示编码器的偏置向量；x表示多采样率数据中的过程数据；所述解码器将所述隐含特征映射为第二多采样率数据，映射公式为： ；其中，表示第二多采样率数据中的第二过程数据；表示解码器；表示第二非线性映射函数；表示解码器的权值矩阵；表示解码器的偏置向量；所述基于所述多采样率数据初步训练所述权值分块更新自编码器包括：步骤1：将权值分块更新自编码器中的隐含特征与多采样率数据中的过程变量，按照采样率的种类分为多组；将权值分块更新自编码器中的隐含特征与第二多采样率数据中的第二过程变量，按照采样率的种类分为多组；步骤2：根据多组隐含特征与多采样率数据中的过程变量构建编码器的权值矩阵；编码器的权值矩阵表示为： ； ；其中，W表示编码器的权值矩阵；表示编码器的权值矩阵中第1行第1列的权值分块；表示编码器的权值矩阵中第1行第R列的权值分块；表示编码器的权值矩阵中第R行第1列的权值分块；表示编码器的权值矩阵中第R行第R列的权值分块；R表示采样率的种类；表示编码器的权值矩阵中第i行第j列的权值分块，当第i个隐含特征与第j个过程变量在同一组被采样时取值为，否则取值为0；根据多组隐含特征与第二多采样率数据中的第二过程变量构建解码器的权值矩阵；解码器的权值矩阵表示为： ； ；其中，表示解码器的权值矩阵；表示解码器的权值矩阵中第1行第1列的权值分块；表示解码器的权值矩阵中第1行第R列的权值分块；表示解码器的权值矩阵中第R行第1列的权值分块；表示解码器的权值矩阵中第R行第R列的权值分块；R表示采样率的种类；表示解码器的权值矩阵中第i行第j列的权值分块，当第i个隐含特征与第j个第二过程变量在同一组被采样时取值为，否则取值为0；步骤3：基于多采样率数据与第二多采样率数据构建编码损失，通过梯度下降法优化所述编码损失，更新编码器的权值矩阵、编码器的偏置向量、解码器的权值矩阵以及解码器的偏置向量；编码损失的表达式为： ；其中，表示编码损失；N表示任意一组合中数据的数量；表示任意一组合中第i个过程数据；表示任意一组合中第i个第二过程数据；表示权值分块更新自编码器的网络参数，包括编码器的权值矩阵、编码器的偏置向量、解码器的权值矩阵以及解码器的偏置向量；S4：在初步训练后的权值分块更新自编码器后端添加两层全连接神经网络，并通过带有质量变量的多采样率数据对其进行有监督调整，得到基于权值分块更新自编码器的多采样率软测量模型；得到基于权值分块更新自编码器的多采样率软测量模型的过程包括：将带有质量变量的多采样率数据输入至新的权值分块更新自编码器，进行前向传播，迭代更新新的权值分块更新自编码器的网络参数，直至估计值与真实值之间的均方误差收敛，得到基于权值分块更新自编码器的多采样率软测量模型；新的权值分块更新自编码器的网络参数包括编码器的权值矩阵、编码器的偏置向量、第一全连接层神经网络层的权值矩阵、第一全连接层神经网络层的偏置向量、第二全连接层神经网络层的权值矩阵以及第二全连接层神经网络层的偏置向量；S5：将测试集中的过程变量输入至所述多采样率软测量模型，输出对应的质量变量估计值。

全文数据：

权利要求：

百度查询： 湘江实验室 一种基于权值分块更新自编码器的多采样率软测量方法