[發明專利]基于遷移學習的ELM-AE的聚酯纖維原絲生產性能預測方法

有效

• 申請號: 202010141610.9
• 申請日: 2020-03-03
• 公開（公告）號: CN111415032B
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 郝礦榮;張金喜;陳磊;蔡欣;唐雪嵩;王彤;任立紅
• 申請（專利權）人: 東華大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/04
• 代理公司: 上海統攝知識產權代理事務所(普通合伙) 31303
• 代理人: 杜亞

1.基于遷移學習的ELM-AE的聚酯纖維原絲生產性能預測方法，其特征是包括：(1)建立數據驅動模型；(2)訓練遷移學習的ELM-AE模型的權重；(3)輸入聚酯纖維原絲生產工藝特征，獲知聚酯纖維性能指標；

聚酯纖維原絲生產工藝特征數量為4種，分別是紡絲速度、紡絲溫度、吹風速度和吹風溫度；聚酯纖維性能指標數量為4種，分別為倍半伸長率、伸長不均率、斷裂強度和伸長能力；

所述遷移學習的ELM-AE模型為大于3層結構的神經網絡，包括一層輸入層、H層隱含層及一層輸出層；H的取值大于等于2；

所述建立數據驅動模型，是建立基于遷移學習的ELM-AE數據驅動模型，通過自編碼加深ELM模型結構用于進一步提取數據特征，同時將源域輸入數據集和目標域輸入數據集進行遷移學習，且在自編碼模型的編碼過程中將遷移學習通過最大均值差異方法計算的損失值添加到自編碼的損失函數上，此數據驅動模型即為所述遷移學習的ELM-AE模型，簡稱TL-ELM-AE模型，其遷移學習的ELM-AE模型目標函數的表達式如下：

其中，等式右邊的前兩項表示的是基于遷移學習的ELM-AE模型的輸出權重最小，等式右邊的第三項表示深度提取數據特征信息，等式右邊的第四項表示遷移學習的過程；

E_TL-ELM-AE表示遷移學習的ELM-AE模型的損失函數，X表示遷移學習的ELM-AE模型的輸入數據，X＝{x^S,x^T}，x^S表示源域輸入數據集，x^T表示目標域輸入數據集，ω表示ELM模型的輸入權重，b表示ELM模型的隱含層偏置，表示ELM隱含層的激活函數，表示ELM隱含層的輸出，β表示ELM模型的輸出權重，Y表示遷移學習的ELM-AE模型的輸出；h_X表示AE模型的輸入數據，f(·)表示AE模型隱含層的激活函數，f(h_X)表示AE模型隱含層的輸出，g(·)表示AE模型輸出層的激活函數，g(f(h_X))表示AE模型輸出層的輸出；MMD²(·)表示最大均值差異，用來計算源域輸入數據與目標域輸入數據的差異；

通過求解遷移學習的ELM-AE模型的損失函數最小化，更新遷移學習的ELM-AE模型的權重，建立遷移學習的ELM-AE模型；

并且，

a)源域輸入數據集和目標域輸入數據集分別采集自兩種聚酯纖維原絲生產的紡絲工藝特征；所述目標域輸入數據集的紡絲工藝特征包含于所述源域輸入數據集的紡絲工藝特征，且所述源域輸入數據集的每個紡絲工藝特征的樣本數量遠大于所述目標域輸入數據集的每個紡絲工藝特征的樣本數量；

b)源域輸出數據集和目標域輸出數據集分別采集自兩種聚酯纖維原絲生產的紡絲性能指標；所述目標域輸出數據集的紡絲性能指標包含于所述源域輸出數據集的紡絲性能指標，且所述源域輸出數據集的每個紡絲性能指標的樣本數量遠大于所述目標域輸出數據集的每個紡絲性能指標的樣本數量；

所述在自編碼模型的編碼過程中將遷移學習通過最大均值差異方法計算的損失值添加到自編碼模型的損失函數上，此過程是建立遷移學習的ELM-AE模型的核心內容，目標是計算遷移自編碼的損失函數最小值：

其中，E_TL-AE表示遷移自編碼的損失函數，h_X表示AE模型的輸入數據，f(·)表示AE模型隱含層的激活函數，f(h_X)表示AE模型隱含層的輸出，g(·)表示AE模型輸出層的激活函數，g(f(h_X))表示AE模型輸出層的輸出；x^S表示源域的輸入數據，x^T表示目標域的輸入數據，MMD²(·)是最大均值差異，用來計算源域輸入數據和目標域輸入數據的差異，其計算公式如下：

其中，表示源域輸入數據樣本的特征映射，r表示源域輸入數據的第r個樣本點，p表示源域輸入數據的樣本數量；表示目標域輸入樣本的特征映射，o表示目標域輸入數據的第o個樣本點，q表示目標域輸入數據的樣本數量；

訓練的權重及偏置項的更新公式為：

其中，表示是遷移自編碼更新的權重值，表示遷移自編碼舊的權重值，表示遷移自編碼更新的偏置值，表示遷移自編碼舊的偏置值，α_TL-AE為遷移自編碼的學習率，E_TL-AE表示遷移自編碼的損失函數，及分別表示的是遷移自編碼的損失函數對權重及偏置的偏導數。