[發明專利]一種針對工業監測數據缺失的補全方法及補全裝置

有效

• 申請號: 201910055378.4
• 申請日: 2019-01-21
• 公開（公告）號: CN109815223B
• 公開（公告）日: 2020-09-25
• 發明（設計）人: 班曉娟;劉婷;袁兆麟;王貽明;王青海;趙占斌
• 申請（專利權）人: 北京科技大學;金誠信礦業管理股份有限公司
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06N3/04
• 代理公司: 北京市廣友專利事務所有限責任公司 11237
• 代理人: 張仲波

1.一種針對工業監測數據缺失的補全方法，其特征在于，包括：

獲取原始數據集，其中，所述原始數據集為缺失類型為完全隨機缺失的原始工業監測數據集；

根據獲取的原始數據集，構建自動編碼機；其中，在構建自動編碼機時，在輸入的原始數據中加入噪聲再訓練自動編碼機，訓練好的自動編碼機，用于實現原始數據中特征向量的升維和降維；

根據獲取的原始數據集，建立生成式模型；

將構建好的自動編碼機和生成式模型進行結合，利用原始數據集對結合后的模型進行優化訓練，獲得與原始數據特征分布相似的生成數據；

其中，所述將構建好的自動編碼機和生成式模型進行結合，利用原始數據集對結合后的模型進行優化訓練，獲得與原始數據特征分布相似的生成數據包括：

將構建好的自動編碼機和生成式模型進行結合，對原始數據加入噪聲，將加入噪聲后的數據輸入到編碼器中，由編碼器使用多層神經網絡對加入噪聲后的數據進行特征向量的升維；

將升維得到的高維特征向量送入生成式模型中，對所述自動編碼機和生成式模型進行優化訓練，優化訓練完成后，所述生成式模型生成指定數量的高維特征向量；

通過解碼器對生成式模型生成的高維特征向量進行解碼，獲得與原始數據特征分布相似的生成數據。

2.根據權利要求1所述的針對工業監測數據缺失的補全方法，其特征在于，所述獲取原始數據集包括：

獲取工業監測實際數據集，其中，所述工業監測實際數據集的維度為低維，低維指工業監測實際數據集中的特征數量小于預設的維度閾值；

對所述工業監測實際數據集中的數據隨機制造缺失，得到低維離散的缺失率為第一預設值的完全隨機缺失類型的原始數據集。

3.根據權利要求1所述的針對工業監測數據缺失的補全方法，其特征在于，所述自動編碼機包括：編碼器和解碼器；

所述根據獲取的原始數據集，構建自動編碼機包括：

在原始數據集中加入預設比例的噪聲；

構建編碼器和解碼器；其中，所述編碼器，用于使用多層神經網絡對加入噪聲后的數據進行特征提取形成高維特征向量；所述解碼器，用于通過逆向變化將高維特征向量還原成原始維度的數據；

將解碼后的數據與原始數據之間的平方誤差作為目標函數來訓練所述自動編碼機，使得平方誤差小于第二預設值。

4.根據權利要求3所述的針對工業監測數據缺失的補全方法，其特征在于，加入噪聲后的數據表示為：

x′＝x+ε,ε～N(u,σ²)

其中，x′為加入噪聲后的數據，x為原始數據，ε表示要添加的噪聲，ε表示服從均值為u、方差為σ²的高斯分布。

5.根據權利要求4所述的針對工業監測數據缺失的補全方法，其特征在于，編碼器的輸出結果表示為：

y＝s(Wx′+b)

其中，y表示編碼器的輸出結果；s表示非線性激活函數；W表示在編碼器中，網絡訓練得到的權值矩陣；b為編碼器網絡中的偏移量；

解碼器的輸出結果表示為：

z＝s(W′y+b′)

其中，z表示解碼器的輸出結果；W′表示解碼器網絡的權值矩陣；b′表示解碼器網絡中的偏移量。

6.根據權利要求5所述的針對工業監測數據缺失的補全方法，其特征在于，所述根據獲取的原始數據集，建立生成式模型包括：

構建生成器和鑒別器，其中，生成器和鑒別器均為多種激活函數組成的深層神經網絡結構；

對所述生成器和鑒別器進行訓練，直到鑒別器的損失函數收斂到第三預設值。