[發(fā)明專利]基于核極限學(xué)習(xí)機(jī)的樣本處理方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010841786.5
• 申請日: 2020-08-20
• 公開（公告）號(hào): CN111985103A
• 公開（公告）日: 2020-11-24
• 發(fā)明（設(shè)計(jì)）人: 熊偉麗;代學(xué)志
• 申請（專利權(quán)）人: 江南大學(xué)
• 主分類號(hào): G06F30/20
• 分類號(hào): G06F30/20;G06N20/00
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 樓高潮

本發(fā)明提供基于核極限學(xué)習(xí)機(jī)的樣本處理方法及系統(tǒng)，方法包括：識(shí)別預(yù)處理樣本集中的無標(biāo)記樣本及有標(biāo)記樣本，確定無標(biāo)記樣本集及有標(biāo)記樣本集作為處理對象；基于KELM算法從所述無標(biāo)記樣本集中選取滿足預(yù)設(shè)要求的無標(biāo)記樣本，構(gòu)成第一子樣本集；將所述第一子樣本集中的樣本進(jìn)行標(biāo)記，得到帶有標(biāo)記的第二子樣本集，將第二子樣本集加入所述有標(biāo)記樣本集，得到更新后的有標(biāo)記樣本集；若所述有標(biāo)記樣本集與更新后的有標(biāo)記樣本集的相似度滿足預(yù)設(shè)要求，則基于更新后的有標(biāo)記樣本集進(jìn)行軟測量。本方案，迭代更新速度快，穩(wěn)定性高，應(yīng)用于復(fù)雜化工過程建模，可大大降低主動(dòng)學(xué)習(xí)的運(yùn)算成本，并減少人工標(biāo)記代價(jià)，更有效地實(shí)現(xiàn)過程質(zhì)量變量的軟測量。

技術(shù)領(lǐng)域

本發(fā)明屬于工業(yè)生產(chǎn)過程軟測量建模和應(yīng)用領(lǐng)域，特別涉及一種基于核極限學(xué)習(xí)機(jī)的樣本處理方法及系統(tǒng)。

背景技術(shù)

在復(fù)雜工業(yè)過程中，需要對一些決定產(chǎn)品質(zhì)量的關(guān)鍵變量進(jìn)行監(jiān)測和控制，但由于現(xiàn)場環(huán)境以及技術(shù)條件的制約，使得這些變量難以在線測量。軟測量是工業(yè)過程中用于解決難測變量檢測的常用技術(shù)，通過訓(xùn)練集構(gòu)建數(shù)學(xué)模型，實(shí)現(xiàn)對新樣本質(zhì)量變量的實(shí)時(shí)估計(jì)。常見的軟測量模型包括支持向量回歸、人工神經(jīng)網(wǎng)絡(luò)、高斯過程回歸和極限學(xué)習(xí)機(jī)等。

軟測量技術(shù)通常需要大量有標(biāo)記樣本才能完成模型訓(xùn)練，而在實(shí)際工業(yè)過程中常常是無標(biāo)記樣本數(shù)量多，有標(biāo)記樣本數(shù)量較少，而且獲取成本高。在這種情況下，如何利用大量無標(biāo)記數(shù)據(jù)和少量標(biāo)記數(shù)據(jù)來提升模型性能成為軟測量建模的關(guān)鍵問題。采用上述軟測量模型穩(wěn)定性較差，在復(fù)雜化工過程建模時(shí)運(yùn)算成本較高。

發(fā)明內(nèi)容

本發(fā)明提供一種基于核極限學(xué)習(xí)機(jī)的樣本處理方法及系統(tǒng)，以解決現(xiàn)有技術(shù)方案中軟測量模型穩(wěn)定性較差，在復(fù)雜化工過程建模時(shí)運(yùn)算成本較高的技術(shù)問題。

第一方面，根據(jù)本發(fā)明實(shí)施例提供的基于核極限學(xué)習(xí)機(jī)的樣本處理方法，應(yīng)用于軟測量中，包括：

步驟S12、識(shí)別預(yù)處理樣本集中的無標(biāo)記樣本及有標(biāo)記樣本，確定無標(biāo)記樣本集及有標(biāo)記樣本集作為處理對象；

步驟S14、基于KELM算法從所述無標(biāo)記樣本集中選取滿足預(yù)設(shè)要求的無標(biāo)記樣本，構(gòu)成第一子樣本集；

步驟S16、將所述第一子樣本集中的樣本進(jìn)行標(biāo)記，得到帶有標(biāo)記的第二子樣本集，將第二子樣本集加入所述有標(biāo)記樣本集，得到更新后的有標(biāo)記樣本集；其中，在對第一子樣本集中的樣本進(jìn)行標(biāo)記之后，從所述無標(biāo)記樣本集中去除所述第一子樣本集中的樣本，得到更新后的無標(biāo)記樣本集；

步驟S18、若所述有標(biāo)記樣本集與更新后的有標(biāo)記樣本集的相似度滿足預(yù)設(shè)要求，則基于更新后的有標(biāo)記樣本集進(jìn)行軟測量。

在一個(gè)實(shí)施例中，所述方法，還包括：

若所述有標(biāo)記樣本集與更新后的有標(biāo)記樣本集的相似度不滿足預(yù)設(shè)要求，則確定更新后的有標(biāo)記樣本集與更新后的無標(biāo)記樣本集構(gòu)成的樣本集為預(yù)處理樣本集，并迭代執(zhí)行步驟S12、步驟S14、步驟S16及步驟S18，直到第K次更新后的有標(biāo)記樣本與第K-1次更新后的有標(biāo)記樣本的相似度滿足要求，則基于第K次更新后的有標(biāo)記樣本進(jìn)行軟測量。

在一個(gè)實(shí)施例中，所述基于KELM算法從所述無標(biāo)記樣本集中選取滿足預(yù)設(shè)要求的無標(biāo)記樣本，構(gòu)成第一子樣本集，包括：

計(jì)算所述無標(biāo)記樣本集中的無標(biāo)記樣本的置信度；

選取置信度滿足預(yù)設(shè)要求的無標(biāo)記樣本，構(gòu)成第一子樣本集。

在一個(gè)實(shí)施例中，所述方法，還包括：

步驟S171、分別求取第k-1次更新后的有標(biāo)記樣本的協(xié)方差矩陣R^k及第k次更新后的有標(biāo)記樣本的協(xié)方差矩陣R^k+1；