[發(fā)明專利]一種基于深度置信神經(jīng)網(wǎng)絡(luò)的大型高速回轉(zhuǎn)裝備消偏消傾方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201911367248.0
• 申請(qǐng)日: 2019-12-26
• 公開（公告）號(hào): CN111178506A
• 公開（公告）日: 2020-05-19
• 發(fā)明（設(shè)計(jì)）人: 劉永猛;譚久彬;王曉明;孫傳智;李成鈿
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類號(hào): G06N3/04
• 分類號(hào): G06N3/04;G06N3/08;G01B21/22;G01B21/24
• 代理公司: 哈爾濱市陽(yáng)光惠遠(yuǎn)知識(shí)產(chǎn)權(quán)代理有限公司 23211
• 代理人: 劉景祥

1.一種基于深度置信神經(jīng)網(wǎng)絡(luò)的大型高速回轉(zhuǎn)裝備消偏消傾方法，其特征在于，所述方法具有以下步驟：

步驟1：分析各加工誤差的影響因素；

步驟2：利用測(cè)量方法評(píng)定大型高速回轉(zhuǎn)裝備真實(shí)加工誤差，并獲得該大型高速回轉(zhuǎn)裝備未經(jīng)調(diào)心調(diào)傾時(shí)加工誤差對(duì)應(yīng)的影響因素的測(cè)量數(shù)據(jù)；

步驟3：將各加工誤差的影響因素歸一化處理后的數(shù)據(jù)作為各網(wǎng)絡(luò)輸入，各加工誤差作為各網(wǎng)絡(luò)輸出，同時(shí)按照一定比例將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集；

步驟4：分別構(gòu)建各加工誤差的深度置信預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)大型高速回轉(zhuǎn)裝備自動(dòng)消偏消傾，并通過(guò)測(cè)試集進(jìn)行驗(yàn)證。

2.根據(jù)權(quán)利要求1所述消偏消傾方法，其特征在于，所述步驟4針對(duì)各加工誤差建立了不同結(jié)構(gòu)的深度置信神經(jīng)網(wǎng)絡(luò)具體為深度置信神經(jīng)網(wǎng)絡(luò)主要由多層受限玻爾茲曼機(jī)(RBM)堆疊而成的深度置信網(wǎng)絡(luò)(DBN)，以及一層BP網(wǎng)絡(luò)組成。

3.根據(jù)權(quán)利要求2所述消偏消傾方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程包含無(wú)監(jiān)督預(yù)訓(xùn)練和有監(jiān)督微調(diào)兩個(gè)步驟，

步驟4.1：無(wú)監(jiān)督預(yù)訓(xùn)練：利用網(wǎng)絡(luò)輸入分別單獨(dú)訓(xùn)練RBM1，RBM2，RBM3；RBM組成結(jié)構(gòu)均包含可見(jiàn)層和隱藏層；RBM1中輸入層為可見(jiàn)層，隱含層I為隱藏層；RBM2中隱含層I為可見(jiàn)層，隱含層II為隱藏層；RBM2中隱含層II為可見(jiàn)層，隱含層III為隱藏層；

步驟4.2：有監(jiān)督微調(diào)：所述有監(jiān)督微調(diào)包含前向傳播和反向傳播兩個(gè)過(guò)程。

4.根據(jù)權(quán)利要求3所述消偏消傾方法，其特征在于，所述步驟4.1的訓(xùn)練過(guò)程如下：

步驟4.1.1：隨機(jī)初始化權(quán)值向量W，使其為滿足正態(tài)分布N(0，0.01)的隨機(jī)數(shù)，初始化可見(jiàn)層偏置向量a，隱藏層偏置向量，b為0如式(1)所示

式中，X為輸入向量，即訓(xùn)練樣本，v為可見(jiàn)層向量，h為隱藏層向量，i和j分別為可見(jiàn)層和隱藏層神經(jīng)元索引，M為可見(jiàn)層神經(jīng)元個(gè)數(shù)，N為隱含層神經(jīng)元個(gè)數(shù)；

步驟4.1.2：將訓(xùn)練樣本賦值給v⁰，則隱含層激勵(lì)值計(jì)算公式為：

隱含層神經(jīng)元被開啟的概率：

步驟4.1.3：根據(jù)步驟4.1.2中計(jì)算所得的概率分布進(jìn)行Gibbs采樣，對(duì)隱藏層中的每個(gè)神經(jīng)元從{0，1}中抽取得到相應(yīng)的值；

步驟4.1.4：產(chǎn)生位于區(qū)間[0，1]上的隨機(jī)數(shù)r_j，然后按式(4)確定隱含層值，

步驟4.1.5：根據(jù)式(5)，代入步驟(3)中獲得的隱含層值，計(jì)算可見(jiàn)層值激勵(lì)值，

步驟4.1.6：可見(jiàn)層神經(jīng)元被開啟的概率：

步驟4.1.7：根據(jù)步驟4.1.5計(jì)算的概率分布，再次進(jìn)行Gibbs采樣，來(lái)對(duì)可見(jiàn)層中的神經(jīng)元從{0，1}中抽取相應(yīng)的值進(jìn)行采樣重構(gòu)；

步驟4.1.8：產(chǎn)生位于區(qū)間[0，1]上的隨機(jī)數(shù)r_i，然后按式(7)確定可見(jiàn)層值：

步驟4.1.9：根據(jù)式(8)，代入步驟4.1.7中重構(gòu)后的可見(jiàn)層值計(jì)算隱藏層神經(jīng)元被開啟的概率，

步驟4.1.10：根據(jù)式(9)、(10)、(11)，更新獲得新的權(quán)值和偏置；

W←——W+λ₁(p(h⁰＝1/v⁰)(v⁰)^T-p(h¹＝1/v¹)(v¹)^T) (9)

b←——b+λ₁(p(h⁰＝1/v⁰)-p(h¹＝1/v¹)) (10)

a←——a+λ₁(v⁰-v¹) (11)

式中，λ₁為RBM1訓(xùn)練的學(xué)習(xí)率；

步驟4.1.11：重復(fù)步驟4.1.1-步驟4.1.10，多次調(diào)整權(quán)值、偏置，使得該網(wǎng)絡(luò)層產(chǎn)生訓(xùn)練樣本的概率最大，RBM1的訓(xùn)練完成；

步驟4.1.12：固定RBM1的權(quán)值和偏置，并以RBM1隱藏層所處狀態(tài)作為RBM2的可視層，按照步驟4.1.1-步驟4.1.10訓(xùn)練RBM2，將訓(xùn)練好的RBM2堆疊于RBM1上；

步驟4.1.13：按照步驟4.1.1-步驟4.1.10訓(xùn)練RBM3，將訓(xùn)練好的RBM3堆疊于RBM2上；

步驟4.1.14：重復(fù)以上過(guò)程，完成DBN結(jié)構(gòu)預(yù)訓(xùn)練；

步驟4.1.15：最后一層BP層權(quán)值、偏置可直接隨機(jī)初始化，DBN-DNN結(jié)構(gòu)搭建完成。