[發明專利]熱誤差預測模型創建方法和基于關鍵誤差的物理-邊-霧-云誤差控制系統

在審

• 申請號: 202210329199.7
• 申請日: 2022-03-30
• 公開（公告）號: CN114662673A
• 公開（公告）日: 2022-06-24
• 發明（設計）人: 馬馳;李夢媛;劉佳蘭;王時龍
• 申請（專利權）人: 重慶大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06Q10/04
• 代理公司: 重慶航圖知識產權代理事務所(普通合伙) 50247
• 代理人: 胡小龍

1.一種熱誤差預測模型創建方法，其特征在于：包括如下步驟：

步驟一：利用極端梯度提升算法對輸入變量的特征重要性進行排序，從所有m個特征中選出前k個構成特征組合；將前k個特征根據其重要性進行加權，得到每個特征的權重，以每個特征及其權重的乘積作為模型的輸入變量；

步驟二：對LSTMNN模型的內部神經元特征進行排序，將層次結構整合到LSTMNN模型中，得到ON-LSTMNN模型，再引入雙向機制，構建BiON-LSTMNN模型；

步驟三：訓練BiON-LSTMNN模型，以ISFO算法優化BiON-LSTMNN模型的批量大小和隱藏神經元數量，直至滿足適應度函數的預設要求；

步驟四：以優化得到的批量大小和隱藏神經元數量作為BiON-LSTMNN模型的超參數，構建得到熱誤差預測模型。

2.根據權利要求1所述的熱誤差預測模型創建方法，其特征在于：所述極端梯度提升算法的目標函數為：

其中，表示預測值；y_i表示目標值；表示第i個樣本的預測誤差；表示作為正則化項的所有k-trees的復雜度之和，且：

其中，L^k表示k^th樹的目標函數；表示k-1^th樹的預測值；f_k(x_i)表示加入新模型的預測值；γ表示葉子的節點數的權重；T表示第k棵樹的葉子節點數；λ表示L2正則化項的權重；w表示葉子結點權重向量的范數；

對于損失項，在處執行二階泰勒展開，得到：

其中，表示損失函數L^k的一階偏微分，表示損失函數L^k的二階偏微分；

刪除常數項后，得到：

樣本在每個節點上被分解為若干個樣本，其中，I_j＝{i|q(x_i)＝j}被定義為j^th葉中的樣本集，w_j表示第j個葉子的權重；

函數在葉子節點上被歸約為一個統一的和：

當w_j為時，得到目標函數的最優值：

3.根據權利要求2所述的熱誤差預測模型創建方法，其特征在于：每個特征的權重為：

其中，F_iscore表示第i個特征的重要性分數，則輸入變量為[α₁X₁，₂X₂，…α_iX_i…α_kX_k]，X_i表示第i個特征。