[發明專利]一種半監督動態軟測量網絡的軟測量建模方法

在審

• 申請號: 202010690011.2
• 申請日: 2020-07-17
• 公開（公告）號: CN112001115A
• 公開（公告）日: 2020-11-27
• 發明（設計）人: 劉涵;郭潤元
• 申請（專利權）人: 西安理工大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06K9/00;G06F17/18
• 代理公司: 北京國昊天誠知識產權代理有限公司 11315
• 代理人: 楊洲

1.一種半監督動態軟測量網絡的軟測量建模方法，其特征在于，具體按照以下步驟實施：

步驟1，對訓練集數據基于CEEMD與Isomap方法進行去噪與去冗余處理；

步驟2，對步驟1處理過的訓練集數據進行序列化與歸一化處理；

步驟3，基于步驟2處理的訓練集數據完成半監督動態軟測量網絡的軟測量模型建立。

2.根據權利要求1所述的半監督動態軟測量網絡的軟測量建模方法，其特征在于，步驟1，對訓練集數據基于CEEMD與Isomap方法進行去噪與去冗余處理，具體步驟為：

步驟1.1，將原始輔助變量訓練數據集X應用CEEMD算法得到各階IMF；

步驟1.2，計算各階IMF與原變量信號的相關系數指標，基于設定的閾值常量對IMF是否為噪聲進行判別，對判別為噪聲的IMF予以剔除，相關系數的計算公式如式下：

式(1)中ρ(X_v(t),c_vi(t))表示原輔助變量X_v(t)和其第i個IMFc_vi(t),i＝1,...,N之間的協方差，和分別為X_v(t)和第i個IMF的標準差，|ρ|取值范圍在0～1之間，越接近1說明相似程度越高；

步驟1.3，對剩余的IMF經Isomap算法進行非線性特征變換，然后使用降維后得到的新模態函數和原余項進行數據重構，最終得到去噪去冗余之后的輔助變量X′。

3.根據權利要求2所述的半監督動態軟測量網絡的軟測量建模方法，其特征在于，步驟1.3在Isomap算法的實施過程中，對測地距離的計算方法如下：樣本點和它鄰域之間的測地距離用它們之間的歐式距離代替；樣本點和它鄰域外的點用流形上它們之間的最短路徑來代替。

4.根據權利要求3所述的半監督動態軟測量網絡的軟測量建模方法，其特征在于，步驟2，對步驟1處理的訓練集數據進行序列化與歸一化處理，具體步驟為：

步驟2.1，在去噪去冗余操作之后，對輔助變量數據進行序列化操作，根據從t時刻到t+ts時刻，一共ts時間步的輔助變量數據，去預測第t+ts+z時刻的主導變量，這其中ts為輸入數據的時間窗口長度，z為需要預測的主導變量的時間步長，得到輸入數據X′序列化后的數據X″；

步驟2.2，用Z-SCORE方法進行標準化處理，將數據轉化為均值為0，方差為1的數據，公式如下：

其中式(2)中，X″為序列化后的數據，μ和σ分別表示其均值和方差，而X_in表示標準化后用于輸入神經網絡的序列數據，需指出的是，在此只對特征數據做標準化處理，標簽數據保留原值不變。

5.根據權利要求4所述的半監督動態軟測量網絡的軟測量建模方法，其特征在于，步驟3，基于步驟2處理的訓練集數據完成SSDGRU-MLR軟測量模型的建立，具體步驟為：

步驟3.1，半監督動態軟測量網絡SSDGRU-MLR，是將GRU單元進行多層堆疊后與有監督學習中的MLP結合而成的網絡，DGRU最后一層的輸出通過完全連接的MLP網絡來輸出其軟測量預測結果，其中MLP就是一種單隱層的神經網絡，用于最后關鍵質量變量的回歸擬合；

步驟3.2，在訓練模型之前，首先需要初始化模型的參數，采用Xvaier初始化方式，令當前網絡層的節點數為n_in，輸出節點數目為n_out，Xvaier初始化的方式就是實現如下所示均勻分布：

初始化完成之后，將序列化數據X_in輸入到軟測量模型中，整個模型訓練過程的損失函數可以定義如下：

其中(4)式中，y_t表示第t個序列樣本對應的標簽輸出，n-ts+1表示序列化后樣本的數量，y_t^predict表示第t個序列樣本的預測輸出；基于最小化損失函數的優化目標，通過BPTT算法，對整個模型進行參數更新和調整，經過多次迭代最終完成整個SSDGRU-MLR軟測量模型的批次訓練。