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！

龙图腾网恭喜杭州电子科技大学申请的专利一种基于耦合双向信息过滤长短期记忆网络的工业软传感器建模方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114638150B 。

龙图腾网通过国家知识产权局官网在2025-02-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210119432.9，技术领域涉及：G06F30/27；该发明授权一种基于耦合双向信息过滤长短期记忆网络的工业软传感器建模方法是由赵一凡;郑小青;孔亚广;郑松;江爱朋设计研发完成，并于2022-02-08向国家知识产权局提交的专利申请。

本一种基于耦合双向信息过滤长短期记忆网络的工业软传感器建模方法在说明书摘要公布了：本发明公开了一种基于耦合双向信息过滤长短期记忆网络的工业软传感器建模方法，至少包括以下步骤：步骤S1：搜集软测量任务的数据集，并进行预处理；步骤S2：创建耦合双向信息过滤长短期记忆网络模型，并在训练集进行监督训练；步骤S3：使用耦合双向信息过滤长短期记忆网络模型对测试集进行测试。本发明的技术方案，采用了耦合双向信息过滤长短期记忆网络CB‑IF‑LSTM，在不增加原有循环神经网络参数规模的基础上，拓展了从输入到输出的神经网络层深度；在基本单元上采用信息过滤单元和长短期记忆网络单元，隐藏状态信息进入长短期记忆网络单元时，不重要的信息被信息过滤单元抑制，重要的隐藏状态信息正常通过，质量变量预测精度得以提高，同时应对不可预测情况能力提升。

本发明授权一种基于耦合双向信息过滤长短期记忆网络的工业软传感器建模方法在权利要求书中公布了：1.一种基于耦合双向信息过滤长短期记忆网络的工业软传感器建模方法，其特征在于，至少包括以下步骤：步骤S1：搜集软测量任务的数据集，并进行预处理；步骤S2：创建耦合双向信息过滤长短期记忆网络模型，并在训练集进行监督训练；步骤S3：使用耦合双向信息过滤长短期记忆网络模型对测试集进行测试；其中，步骤S2包括以下步骤：步骤S21：将训练集中的过程变量子序列输入耦合双向信息过滤长短期记忆网络并输出对应质量变量的预测值；其中，预测t时间步的样本时，网络输入过程变量子序列{xt-k+1,xt-k+2,…,xt}，网络计算后输出对应子序列的质量变量yt的预测值yt；计算由反向循环、正向循环两个循环神经网络层完成，其计算方式如下： 其中，yt为质量变量yt的预测值，代表反向长短期记忆网络层，代表正向信息过滤长短期记忆网络层；步骤S22：计算目标函数loss，并利用优化算法求解使得目标函数最小的模型参数，并将耦合双向信息过滤长短期记忆网络模型及最优参数存储，目标函数计算方式如下： 其中j∈Train表示对训练集中所有样本进行计算，m为训练集样本数；步骤S1包括以下步骤：步骤S11：搜集用于软测量建模的数据D＝{X,Y}＝{xi,yi}，其中i∈1,2,…,n，n为搜集的样本数，xi为i时间步的过程变量，yi为i时间步的质量变量；步骤S12：对搜集到的数据集进行预处理；其中，步骤S12包括：步骤S121：对搜集到的序列数据进行窗口化处理，得到一系列较短的子序列，其中，是j时间步对应的过程变量子序列，是j时间步对应的质量变量，j∈k,k+1,…,n，k为窗口大小；步骤S122：将窗口化序列按照1:1比例随机划分，得到训练集与测试集步骤S21包括：步骤S211：将过程变量子序列{xt-k+1,xt-k+2,…,xt}输入反向循环神经网络层，反向循环计算过程是沿时间维度反向循环的，其计算过程如下： 其中是反向长短期记忆网络层输出的隐藏状态，符号表示序列进行反向循环计算，反向循环计算是由一个长短期记忆网络层完成的；步骤S212：将反向长短期记忆网络层输出的隐藏状态作为正向网络层的输入，正向循环计算过程是沿时间维度正向循环的，其计算过程如下： 其中，表示正向信息过滤长短期记忆网络层输出的隐藏状态，表示对序列进行正向循环计算，正向计算过程沿时间维度展开后由信息过滤单元和长短期记忆网络单元完成；步骤S213：将正向层最后一个时间步的隐藏状态并通过一个单层神经网络预测质量变量；计算方式如下： 其中yt为质量变量yt的预测值，σ代表sigmoid函数且输出范围为[0,1]；步骤S212进一步包括：步骤S2121：在每个时间步，信息过滤单元作用于长短期记忆网络单元之前，对进入长短期记忆网络单元的隐藏状态进行信息过滤，其计算过程如下： 其中，与分别为过滤前后的正向层隐藏状态，ft-k+l为当前时间步的过滤器衰减系数，zt-k+l表示映射后的l＝1,2…,k，k为窗口化子序列的长度，σ代表sigmoid函数且输出范围为[0,1]，tanh代表输出范围[-1,1]的非线性函数，该过程的描述如下：1信息过滤单元接收t-k+l时间步的输入然后通过一个单层神经网络将映射到和类似的空间，映射结果为zt-k+l；2将和zt-k+l作相减运算，然后将差进行非线性映射，其节点数与相同，ft-k+l为非线性映射结果；3将ft-k+l作为一个过滤器系数对隐变量进行过滤与更新，表示过滤后的隐藏状态；步骤S2122：用代替传入长短期记忆网络单元，长短期记忆网络单元经过其计算方式输出t时间步隐藏状态ht： 其中LSTMcell·表示长短期记忆网络单元的作用方式；步骤S3包括：步骤S31：创建存储的耦合双向信息过滤长短期记忆网络模型，并加载最优参数；步骤S32：将测试集输入耦合双向信息过滤长短期记忆网络模型，模型按照步骤S21所述方式输出测试质量变量预测值；步骤S33：计算测试集根均方差RMSE衡量指标，计算方式如下： 其中j∈Test表示对测试集中所有样本进行计算，m为测试集样本数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。