CN108334943A - 基于主动学习神经网络模型的工业过程半监督软测量建模方法 - Google Patents
基于主动学习神经网络模型的工业过程半监督软测量建模方法 Download PDFInfo
- Publication number
- CN108334943A CN108334943A CN201810005183.4A CN201810005183A CN108334943A CN 108334943 A CN108334943 A CN 108334943A CN 201810005183 A CN201810005183 A CN 201810005183A CN 108334943 A CN108334943 A CN 108334943A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- exemplar
- semi
- variable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
Abstract
本发明公开了一种基于主动学习神经网络模型的半监督软测量建模方法,它是由主动学习算法和神经网络模型组成;主动学习算法迭代调用神经网络模型,通过神经网络模型从大量的无标签样本中选择出有价值的样本,进行标定并添加到有标签样本集中,使得有标签数据集不断更新,直到建立的模型满足精度要求,最终实现软测量模型的建立。本发明可以有效地解决有标签样本少、无标签样本多导致的软测量建模不准的问题。
Description
技术领域
本发明属于工业过程预测与控制领域,涉及一种基于主动学习神经网络模型的工业过程半监督软测量建模方法。
背景技术
在实际的工业生产过程中,往往存在或多或少的关键过程变量无法实现在线检测,为了解决这个难题,通过采集过程中比较容易检测的变量,根据某种最优准侧,构造出一种以这些变量为输入,关键过程变量为输出的数学模型,实现对关键过程变量的在线估计,这便是工业过程中常用的软测量建模。
统计过程软测量建模的发展对于大规模的工业数据的需求极为显著。然而,软测量建模目前还存在很多问题。在工业过程中系统的复杂程度也是日益提高,过程数据中的非线性关系越来越突出,如果仍然利用传统的线性方法建立软测量模型,无疑不能胜任变量准确预测的任务,针对非线性过程特性,有神经网络核方法等模型,在众多模型中极限学习机模型由于它的计算速度快、建模效果准确,从而得到了越来越多的关注与应用。
与此同时,许多情况下机器学习问题中的有标签样本极为珍贵且非常稀少,无标签样本容易获得但人工标记过程又困难重重。
发明内容
针对目前工业过程中有标签样本少、无标签样本多和过程非线性严重等问题,本发明提出了一种基于主动学习神经网络模型的半监督软测量建模方法,该方法将主动学习思想和神经网络模型相结合,实现了关键过程变量的精确在线估计。
本发明具体技术方案如下:
一种基于主动学习神经网络模型的工业过程半监督软测量建模方法,其中,
所述的神经网络模型分为三层,第一层为输入层,第二层为隐藏层,第三层为输出层,输入层到隐藏层的权重和偏置分别为ω1和b1,隐藏层到输出层的权重和偏置分别为ω2和b2,该模型对应数据的输入变量为x,输出变量为y,模型的输出,即预测值为
所述的半监督软测量建模方法步骤如下:
步骤一:收集历史工业过程的数据组成建模用的训练数据集,所述的训练数据集既包括包含主导变量也包含辅助变量的有标签数据集L,L∈Rn×d,也包括仅包含辅助变量的无标签数据集U,U∈RN×M,n表示有标签数据集的数据样本个数,d表示过程变量个数,R为实数集,N表示无标签数据集的数据样本个数,M表示无标签数据集的辅助变量的个数;
步骤二:将步骤一中收集到的训练数据集标准化,即将过程变量化成均值为0、方差为1的新的数据集和
步骤三:运用主动学习算法不断更新有标签样本集
(1)利用标准化后的有标签样本集训练神经网络模型:
首先进行前向传播计算出隐藏层神经元的输出a,a=σ(ω1x+b1),σ表示非线性激活函数;同理可以计算输出层的神经元输出 其中权重和偏置是初始化时随机赋值的;完成前向传播之后,可以通过反向传播算法完成两层权重和偏置的梯度求解;最后通过梯度下降算法不断更新参数,从而使得模型不断更新,直到符合建模要求,完成神经网络建模过程,得到训练后的神经网络模型;
(2)利用训练后的神经网络模型按照距离准则,从标准化后的无标签样本集中挑选出与有标签样本集中所有样本距离之和最大的N个无标签样本,然后将这N个无标签样本打上标签,添加到有标签样本集中更新有标签样本集
(3)利用新的有标签样本集重复步骤(1)-(2),直到满足停止迭代的要求为止;停止迭代之前训练的最新的神经网络模型就是建模得到的半监督软测量模型;
步骤四:收集新的工业过程数据,重复步骤一至二;
步骤五:将步骤四中处理后的新的过程数据代入步骤三中得到的半监督软测量模型中,得到主导变量的预测值,从而实现过程的监测和控制。
进一步地,所述的步骤三中利用训练后的神经网络模型按照距离准则,从标准化后的无标签样本集中挑选出与有标签样本集中所有样本距离之和最大的N个无标签样本的过程具体如下:
(1)将无标签数据集中的样本代入训练后的神经网络模型中,得到与之对应的隐藏层输出ai,其中i表示第i个无标签样本,同理有标签样本也可以得到与之对应的隐藏层输出aj,其中j表示第j个有标签样本;
(2)通过欧式距离相似度准则可以计算出第i个无标签样本到所有有标签样本的距离总和
(3)将di从大到小排序,挑选出前N个di对应的无标签样本,进行化验标定,得到相应的标签,然后添加到有标签样本集中,更新有标签样本集。
进一步地,所述的步骤五中的预测值的预测精度的计算公式如下:
其中,M为测试样本个数,yj为主导变量的真实值,为主导变量的模型预测值。
进一步地,所述的步骤三中的非线性激活函数采用sigmoid函数。
进一步地,所述的N为10。
本发明的有益效果是,本发明可以充分利用目前工业过程中大量的无标签数据,在有标签数据比较少,难以准确建模的情况下能够建立精确的软测量建模,从而实现关键质量变量的预测和监控。
附图说明
图1是神经网络结构示意图;
图2是脱丁烷塔过程结构示意图;
图3是是本发明方法和随机采样神经网络建模方法在不同有标签样本比例下建模预测结果的RMSE对比图;
图4是在有标签样本比例为10%的情况下样本真实值和主动学习神经网络模型预测值效果图;
图5是有标签样本比例10%情况下样本真实值和随机采样神经网络模型预测值效果图。
具体实施方式
下面结合具体实施方式对本发明基于主动学习神经网络模型的半监督软测量建模方法作进一步的详述。
一种基于主动学习神经网络模型的工业过程半监督软测量建模方法,其中,
所述的神经网络模型分为三层,第一层为输入层,第二层为隐藏层,第三层为输出层,
输入层到隐藏层的权重和偏置分别为ω1和b1,隐藏层到输出层的权重和偏置分别为ω2和b2,该模型对应数据的输入变量为x,输出变量为y,模型的输出,即预测值为
所述的半监督软测量建模方法步骤如下:
步骤一:收集历史工业过程的数据组成建模用的训练数据集,所述的训练数据集既包括包含主导变量也包含辅助变量的有标签数据集L,L∈Rn×d,也包括仅包含辅助变量的无标签数据集U,U∈RN×M,n表示有标签数据集的数据样本个数,d表示过程变量个数,R为实数集,N表示无标签数据集的数据样本个数,M表示无标签数据集的辅助变量的个数;
步骤二:将步骤一中收集到的训练数据集标准化,将过程变量化成均值为0,方差为1的新的数据集和
步骤三:运用主动学习算法思想不断更新有标签样本集
(1)利用标准化后的有标签样本集训练神经网络模型,得到神经网络模型之后,该模型的隐藏层神经元的输出a,可以看作是对于有标签样本集数据的特征,该特征a不但使用了有标签数据集中的输入变量,还结合了标签信息。因此本发明使用a进行数据相似度的衡量。
所述的神经网络模型的训练过程为:首先进行前向传播计算出隐藏层神经元的输出a,a=σ(ω1x+b1),σ表示非线性激活函数,这里采用sigmoid函数;同理可以计算输出层的神经元输出 其中权重和偏置是初始化时随机赋值的;完成前向传播之后,可以通过反向传播算法完成两层权重和偏置的梯度求解;最后通过梯度下降算法不断更新参数,从而使得模型不断更新,直到符合建模要求,完成神经网络训练过程,得到训练后的神经网络模型;
(2)将无标签数据集中的样本代入训练后的神经网络模型中就可以得到与之对应的隐藏层输出ai,其中i表示第i个无标签样本,同理有标签样本也可以得到与之对应的隐藏层输出aj,其中j表示第j个有标签样本;
(3)通过欧式距离相似度准则计算出每个无标签样本到所有有标签样本的距离总和
(4)将di按照从大到小排序,挑选出前十个距离总和最大的无标签样本,交由专家进行化验标定,得到相应的标签,然后添加到有标签样本集中,更新有标签样本集;
(5)利用更新之后的有标签样本集训练新的神经网络模型,再按照上述步骤挑选无标签样本,如此反复不断迭代,直到满足迭代条件停止。
步骤四:收集新的工业过程数据,重复步骤一至二;
步骤五:将处理后的新的过程数据代入训练好的神经网络模型中,得到主导变量的预测值,从而实现过程的监测和控制。
为了评价软测量模型的预测精度,按照传统的方式定义误差标准均方根误差(RMSE),计算公式如下:
其中M为测试样本个数,yj为主导变量的真实值,为主导变量的协同训练极限学习机模型预测值。
为了更好地说明神经网络的结构,假设输入变量为x,输入层神经元个数3,隐藏层神经元个数为4,输出层神经元个数为2,神经网络结构图如图1所示。在实际应用过程中输入、输出神经元个数由数据集决定,隐藏层神经元个数经过经验调试得到。
以下结合一个具体的脱丁烷塔的例子来说明主动学习神经网络模型的性能。脱丁烷塔是一个用于软测量建模算法验证的一个常用的标准工业过程平台。脱丁烷塔是精炼过程中的装置之一,结构图如图2所示,该装置的目的是为了去除石脑油气体中丙烷和丁烷的过程脱丁烷塔,塔底的丁烷含量是一个十分重要的关键指标,为了提高脱丁烷塔的控制质量需要对于塔底丁烷含量建立软测量模型。
表1给出了针对关键质量变量丁烷含量所选择的7个辅助变量,具体的输入变量说明如表1所示。
表1输入变量说明
输入变量 | 变量描述 |
X1 | 塔顶温度 |
X2 | 塔顶压力 |
X3 | 回流量 |
X4 | 下一级流量 |
X5 | 第六块塔板温度 |
X6 | 塔底温度1 |
X7 | 塔底温度2 |
针对该过程,连续等时间间隔采集了2394个过程数据,其中1197个数据作为训练样本进行建模,并为其对应的丁烷含量值进行离线分析和标注。另外采集的1197个数据样本作为测试样本用来验证本发明的主动学习神经网络模型的有效性。在选取训练集和测试集的过程中,采用了将每空两个相邻的样本点分别纳入训练集和测试集的间隔取样的方式。在训练集中随机选取一定比例的数据作为有标签样本,训练集除去有标签样本剩下的作为无标签样本。
通过图3可以看出针对不同的有标签样本比例,主动学习神经网络模型的RMSE都要小于随机采样神经网络模型,所以本发明的主动学习神经网络模型的预测精度要更高。
在图4-图5中,图4表示在有标签样本比例为10%的情况下样本真实值和主动学习神经网络模型预测值效果图,图5表示有标签样本比例为10%的情况下随机采样神经网络的预测值和真实值的曲线;通过图4-图5,可以看出本发明的主动学习神经网络模型的拟合效果比随机采样神经网络模型要好。
Claims (5)
1.一种基于主动学习神经网络模型的工业过程半监督软测量建模方法,其中,
所述的神经网络模型分为三层,第一层为输入层,第二层为隐藏层,第三层为输出层,输入层到隐藏层的权重和偏置分别为ω1和b1,隐藏层到输出层的权重和偏置分别为ω2和b2,该模型对应数据的输入变量为x,输出变量为y,模型的输出,即预测值为
所述的半监督软测量建模方法步骤如下:
步骤一:收集历史工业过程的数据组成建模用的训练数据集,所述的训练数据集既包括包含主导变量也包含辅助变量的有标签数据集L,L∈Rn×d,也包括仅包含辅助变量的无标签数据集U,U∈RN×M,n表示有标签数据集的数据样本个数,d表示过程变量个数,R为实数集,N表示无标签数据集的数据样本个数,M表示无标签数据集的辅助变量的个数;
步骤二:将步骤一中收集到的训练数据集标准化,即将过程变量化成均值为0、方差为1的新的数据集和
步骤三:运用主动学习算法不断更新有标签样本集
(1)利用标准化后的有标签样本集训练神经网络模型:
首先进行前向传播计算出隐藏层神经元的输出a,a=σ(ω1x+b1),σ表示非线性激活函数;同理可以计算输出层的神经元输出 其中权重和偏置是初始化时随机赋值的;完成前向传播之后,可以通过反向传播算法完成两层权重和偏置的梯度求解;最后通过梯度下降算法不断更新参数,从而使得模型不断更新,直到符合建模要求,完成神经网络建模过程,得到训练后的神经网络模型;
(2)利用训练后的神经网络模型按照距离准则,从标准化后的无标签样本集中挑选出与有标签样本集中所有样本距离之和最大的N个无标签样本,然后将这N个无标签样本打上标签,添加到有标签样本集中更新有标签样本集
(3)利用新的有标签样本集重复步骤(1)-(2),直到满足停止迭代的要求为止;停止迭代之前训练的最新的神经网络模型就是建模得到的半监督软测量模型;
步骤四:收集新的工业过程数据,重复步骤一至二;
步骤五:将步骤四中处理后的新的过程数据代入步骤三中得到的半监督软测量模型中,得到主导变量的预测值,从而实现过程的监测和控制。
2.根据权利要求1所述的基于主动学习神经网络模型的工业过程半监督软测量建模方法,所述的步骤三中利用训练后的神经网络模型按照距离准则,从标准化后的无标签样本集中挑选出与有标签样本集中所有样本距离之和最大的N个无标签样本的过程具体如下:
(1)将无标签数据集中的样本代入训练后的神经网络模型中,得到与之对应的隐藏层输出ai,其中i表示第i个无标签样本,同理有标签样本也可以得到与之对应的隐藏层输出aj,其中j表示第j个有标签样本;
(2)通过欧式距离相似度准则可以计算出第i个无标签样本到所有有标签样本的距离总和
(3)将di从大到小排序,挑选出前N个di对应的无标签样本,进行化验标定,得到相应的标签,然后添加到有标签样本集中,更新有标签样本集。
3.根据权利要求1所述的基于主动学习神经网络模型的工业过程半监督软测量建模方法,所述的步骤五中的预测值的预测精度的计算公式如下:
其中,M为测试样本个数,yj为主导变量的真实值,为主导变量的模型预测值。
4.根据权利要求1和2所述的基于主动学习神经网络模型的工业过程半监督软测量建模方法,所述的步骤三中的非线性激活函数采用sigmoid函数。
5.根据权利要求2所述的基于主动学习神经网络模型的工业过程半监督软测量建模方法,所述的N为10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810005183.4A CN108334943A (zh) | 2018-01-03 | 2018-01-03 | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810005183.4A CN108334943A (zh) | 2018-01-03 | 2018-01-03 | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108334943A true CN108334943A (zh) | 2018-07-27 |
Family
ID=62923708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810005183.4A Pending CN108334943A (zh) | 2018-01-03 | 2018-01-03 | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108334943A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508544A (zh) * | 2018-10-19 | 2019-03-22 | 南京理工大学 | 一种基于mlp的入侵检测方法 |
CN109766922A (zh) * | 2018-12-18 | 2019-05-17 | 东软集团股份有限公司 | 数据处理方法、装置、存储介质及电子设备 |
CN109886402A (zh) * | 2019-01-10 | 2019-06-14 | 平安科技(深圳)有限公司 | 深度学习模型训练方法、装置、计算机设备及存储介质 |
CN110189800A (zh) * | 2019-05-06 | 2019-08-30 | 浙江大学 | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 |
CN110807510A (zh) * | 2019-09-24 | 2020-02-18 | 中国矿业大学 | 面向工业大数据的并行学习软测量建模方法 |
CN111062118A (zh) * | 2019-11-18 | 2020-04-24 | 华侨大学 | 一种基于神经网络预测分层的多层软测量建模系统及方法 |
CN111461345A (zh) * | 2020-03-31 | 2020-07-28 | 北京百度网讯科技有限公司 | 深度学习模型训练方法及装置 |
CN112016241A (zh) * | 2020-07-23 | 2020-12-01 | 武汉数字化设计与制造创新中心有限公司 | 一种基于mLASSO-MLP模型的软测量建模方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130346346A1 (en) * | 2012-06-21 | 2013-12-26 | Microsoft Corporation | Semi-supervised random decision forests for machine learning |
CN104156438A (zh) * | 2014-08-12 | 2014-11-19 | 德州学院 | 一种基于置信度和聚类的未标记样本选择的方法 |
CN104239516A (zh) * | 2014-09-17 | 2014-12-24 | 南京大学 | 一种不平衡数据分类方法 |
CN104914723A (zh) * | 2015-05-22 | 2015-09-16 | 浙江大学 | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 |
CN105117429A (zh) * | 2015-08-05 | 2015-12-02 | 广东工业大学 | 基于主动学习和多标签多示例学习的场景图像标注方法 |
CN107067025A (zh) * | 2017-02-15 | 2017-08-18 | 重庆邮电大学 | 一种基于主动学习的数据自动标注方法 |
CN107463994A (zh) * | 2017-07-07 | 2017-12-12 | 浙江大学 | 基于协同训练极限学习机模型的半监督软测量方法 |
CN107505837A (zh) * | 2017-07-07 | 2017-12-22 | 浙江大学 | 一种半监督神经网络模型及基于该模型的软测量建模方法 |
-
2018
- 2018-01-03 CN CN201810005183.4A patent/CN108334943A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130346346A1 (en) * | 2012-06-21 | 2013-12-26 | Microsoft Corporation | Semi-supervised random decision forests for machine learning |
CN104156438A (zh) * | 2014-08-12 | 2014-11-19 | 德州学院 | 一种基于置信度和聚类的未标记样本选择的方法 |
CN104239516A (zh) * | 2014-09-17 | 2014-12-24 | 南京大学 | 一种不平衡数据分类方法 |
CN104914723A (zh) * | 2015-05-22 | 2015-09-16 | 浙江大学 | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 |
CN105117429A (zh) * | 2015-08-05 | 2015-12-02 | 广东工业大学 | 基于主动学习和多标签多示例学习的场景图像标注方法 |
CN107067025A (zh) * | 2017-02-15 | 2017-08-18 | 重庆邮电大学 | 一种基于主动学习的数据自动标注方法 |
CN107463994A (zh) * | 2017-07-07 | 2017-12-12 | 浙江大学 | 基于协同训练极限学习机模型的半监督软测量方法 |
CN107505837A (zh) * | 2017-07-07 | 2017-12-22 | 浙江大学 | 一种半监督神经网络模型及基于该模型的软测量建模方法 |
Non-Patent Citations (3)
Title |
---|
QING-YANG WU等: "Active Learning Dynamic Soft Sensor with Forward-update Scheme", 《2017 6TH INTERNATIONAL SYMPOSIUM ON ADVANCED CONTROL OF INDUSTRIAL PROCESSES (ADCONIP)》 * |
ZHIQIANG GE: "Active learning strategy for smart soft sensor development under a small number of labeled data samples", 《JOURNAL OF PROCESS CONTROL》 * |
袁小锋: "基于即时学习的复杂非线性过程软测量建模及应用", 《中国博士学位论文全文数据库_信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508544A (zh) * | 2018-10-19 | 2019-03-22 | 南京理工大学 | 一种基于mlp的入侵检测方法 |
CN109508544B (zh) * | 2018-10-19 | 2022-12-06 | 南京理工大学 | 一种基于mlp的入侵检测方法 |
CN109766922A (zh) * | 2018-12-18 | 2019-05-17 | 东软集团股份有限公司 | 数据处理方法、装置、存储介质及电子设备 |
CN109766922B (zh) * | 2018-12-18 | 2021-10-12 | 东软集团股份有限公司 | 数据处理方法、装置、存储介质及电子设备 |
WO2020143303A1 (zh) * | 2019-01-10 | 2020-07-16 | 平安科技(深圳)有限公司 | 深度学习模型训练方法、装置、计算机设备及存储介质 |
CN109886402A (zh) * | 2019-01-10 | 2019-06-14 | 平安科技(深圳)有限公司 | 深度学习模型训练方法、装置、计算机设备及存储介质 |
CN110189800A (zh) * | 2019-05-06 | 2019-08-30 | 浙江大学 | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 |
CN110189800B (zh) * | 2019-05-06 | 2021-03-30 | 浙江大学 | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 |
CN110807510A (zh) * | 2019-09-24 | 2020-02-18 | 中国矿业大学 | 面向工业大数据的并行学习软测量建模方法 |
CN111062118A (zh) * | 2019-11-18 | 2020-04-24 | 华侨大学 | 一种基于神经网络预测分层的多层软测量建模系统及方法 |
CN111461345A (zh) * | 2020-03-31 | 2020-07-28 | 北京百度网讯科技有限公司 | 深度学习模型训练方法及装置 |
CN111461345B (zh) * | 2020-03-31 | 2023-08-11 | 北京百度网讯科技有限公司 | 深度学习模型训练方法及装置 |
CN112016241A (zh) * | 2020-07-23 | 2020-12-01 | 武汉数字化设计与制造创新中心有限公司 | 一种基于mLASSO-MLP模型的软测量建模方法 |
CN112016241B (zh) * | 2020-07-23 | 2023-09-29 | 武汉数字化设计与制造创新中心有限公司 | 一种基于mLASSO-MLP模型的软测量建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334943A (zh) | 基于主动学习神经网络模型的工业过程半监督软测量建模方法 | |
CN107505837A (zh) | 一种半监督神经网络模型及基于该模型的软测量建模方法 | |
CN109919810B (zh) | 在线学习系统中的学生建模与个性化课程推荐方法 | |
CN109523018B (zh) | 一种基于深度迁移学习的图片分类方法 | |
CN107274020B (zh) | 一种基于协同过滤思想的学习者学科总测成绩预测系统及方法 | |
CN105243398A (zh) | 基于线性判别分析准则的改进卷积神经网络性能的方法 | |
CN108628164A (zh) | 一种基于循环神经网络模型的工业过程半监督软测量方法 | |
CN103810101A (zh) | 一种软件缺陷预测方法和软件缺陷预测系统 | |
CN106022954A (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN105740984A (zh) | 一种基于性能预测的产品概念性能评价方法 | |
CN109635245A (zh) | 一种鲁棒宽度学习系统 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN106528417A (zh) | 软件缺陷智能检测方法和系统 | |
CN109389238B (zh) | 一种基于岭回归的短期负荷预测方法及装置 | |
CN105447248B (zh) | 基于金属定量构效关系的海水急性基准预测方法 | |
CN109886403A (zh) | 一种基于神经网络模型的工业数据生成方法 | |
Anand | A methodology of atmospheric deterioration forecasting and evaluation through data mining and business intelligence | |
CN107463994A (zh) | 基于协同训练极限学习机模型的半监督软测量方法 | |
CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 | |
CN111914492A (zh) | 一种基于进化优化的半监督学习工业过程软测量建模方法 | |
CN108416439A (zh) | 基于变量加权深度学习的炼油过程产品预测方法和系统 | |
CN113761787A (zh) | 基于深度迁移网络的高炉铁水硅含量在线预测方法及系统 | |
CN107679756B (zh) | 土壤适宜性评价方法及装置 | |
Graziani et al. | A deep learning based soft sensor for a sour water stripping plant | |
CN111898673A (zh) | 一种基于emd与lstm的溶解氧含量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180727 |
|
WD01 | Invention patent application deemed withdrawn after publication |