CN113130014B - 一种基于多分支神经网络的稀土萃取模拟方法及系统 - Google Patents

一种基于多分支神经网络的稀土萃取模拟方法及系统 Download PDF

Info

Publication number
CN113130014B
CN113130014B CN202110440712.5A CN202110440712A CN113130014B CN 113130014 B CN113130014 B CN 113130014B CN 202110440712 A CN202110440712 A CN 202110440712A CN 113130014 B CN113130014 B CN 113130014B
Authority
CN
China
Prior art keywords
branch
neural network
network model
hidden layer
representing
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.)
Active
Application number
CN202110440712.5A
Other languages
English (en)
Other versions
CN113130014A (zh
Inventor
杨辉
王伟
朱建勇
徐芳萍
陆荣秀
杨洛郡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202110440712.5A priority Critical patent/CN113130014B/zh
Publication of CN113130014A publication Critical patent/CN113130014A/zh
Application granted granted Critical
Publication of CN113130014B publication Critical patent/CN113130014B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于多分支神经网络的稀土萃取模拟方法及系统，方法包括：获取稀土原始数据集并进行预处理，得到处理后的数据集；将处理后的数据集划分为训练集和测试集；根据训练集构建多分支神经网络模型；构建多分支神经网络模型的各个分支对应的独立损失优化函数；对各个分支对应的独立损失优化函数进行训练，当各个分支的独立损失优化函数均收敛到设定阈值时，停止训练，获得训练后的多分支神经网络模型；利用测试集对所述训练后的多分支神经网络模型进行模拟，当模拟精度达到设定精度时，停止模拟，获得最终的多分支神经网络模型；利用最终的多分支神经网络模型进行稀土萃取模拟。本发明提高了稀土萃取模拟的预测精度和准确性。

Description

一种基于多分支神经网络的稀土萃取模拟方法及系统
技术领域
本发明涉及化工流程模拟技术领域，特别是涉及一种基于多分支神经网络的稀土萃取模拟方法及系统。
背景技术
稀土元素又被称为“工业的维生素”，是镧系元素、钪和钇等17种金属元素的总称。稀土作为一种重要的战略资源，国内对其萃取分离方法的研究开始较早，20世纪70年代，北京大学徐光宪教授在分馏萃取理论基础上提出的稀土串级萃取理论，是目前国内稀土萃取流程模拟领域研究的主要指导理论。
稀土萃取工艺是一种具有复杂工况变化特性的多输入多输出过程。目前实际生产环境中缺少组分含量在线监测仪器，再加上稀土萃取分离过程存在非线性、强耦和及高延迟的特点，使得萃取过程中各级萃取槽的组分含量变化往往无法及时得到，一段时间后若是发现产品未达到生产工艺要求，此时再根据新工况调节工艺参数已经造成了较大的原料浪费。故当出现新工况或者当前工况变化频繁时，需要验证当前工艺是否符合生产要求，使得操作人员可以及时修改生产控制系统工艺参数。上述需求鼓励了对稀土萃取过程流程模拟方法的研究，以使技术人员可以根据当前工况条件，实时模拟萃取过程各级组分含量变化，对于防止原料浪费、提升生产效率、节约成本有重要意义。
对于化工过程流程模拟方法的研究，主要有基于机理的静态建模和数据驱动的动态建模两类方法。机理建模是通过物理化学特性建立萃取过程数学模型，这需要一定的领域专家经验，且由于稀土萃取分离过程的复杂性，目前没有一种机理模型能完全表达稀土萃取分离过程，皆存在一定的理想假设。另一方面，随着数据处理技术及数据采集系统的不断发展，基于历史数据训练的数据驱动建模方法越发流行，它不要求领域专家经验，有足够的生产历史数据即可训练模型。
数据驱动建模方法中，由于神经网络方法性能的优越性，目前已有大量利用神经网络应用于稀土萃取建模的研究案例。但是现有方法中，都是采用浅层网络对多达几十甚至上百级的萃取分离流程进行建模，且未考虑前后分离级组分含量变化间存在耦合关系的实际特性，使得不同分离段的组分值是通过独立网络模型进行预测，会导致得到的组分含量值不符合实际情况。所以对多级复杂稀土萃取过程流程模拟来说，现有浅层神经网络建模方法存在未完全反映实际分离流程和预测精度不足的问题。
发明内容
本发明的目的是提供一种基于多分支神经网络的稀土萃取模拟方法及系统，以提高预测精度。
为实现上述目的，本发明提供了一种基于多分支神经网络的稀土萃取模拟方法，所述方法包括：
S1：获取稀土原始数据集；
S2：对所述稀土原始数据集进行数据清洗和标准化预处理，得到处理后的数据集；
S3：将处理后的数据集划分为训练集和测试集；
S4：根据所述训练集构建多分支神经网络模型；
S5：构建所述多分支神经网络模型的各个分支对应的独立损失优化函数；
S6：采用反向传播和随机梯度下降算法，对所述多分支神经网络模型的各个分支对应的独立损失优化函数进行训练，当各个分支的独立损失优化函数均收敛到设定阈值时，停止训练，获得训练后的多分支神经网络模型；
S7：利用测试集对所述训练后的多分支神经网络模型进行模拟，当模拟精度达到设定精度时，停止模拟，获得最终的多分支神经网络模型；
S8：利用所述最终的多分支神经网络模型进行稀土萃取模拟。
可选地，所述多分支神经网络模型，具体公式为：
Figure BDA0003034856960000031
Figure BDA0003034856960000032
其中，y(j),j∈[1,n+m]表示第j分支组分含量输出，fi(*),i∈[1,n+m]表示多变量线性函数，X表示所述训练集的特征，h(i),i∈[1,k]表示第i层隐含层提取特征，ωi,i∈[1,k]表示第i层隐含层提取特征的权重矩阵，bi,i∈[1,k]表示第i层隐含层提取特征的偏差项，h(*)表示第j分支的上一级隐含层特征，bj,j∈[1,n+m]表示第j分支的偏差系数，f(*)表示隐含层传递函数，g(*)表示输出层传递函数，n+m表示所述多分支神经网络模型的总分支数量。
可选地，所述独立损失优化函数，具体公式为：
Figure BDA0003034856960000033
其中，
Figure BDA0003034856960000034
表示第j分支的独立损失优化函数，y(j)，j∈[1，n+m]表示第j分支组分含量输出，
Figure BDA0003034856960000041
第j分支组分含量输出预测值，θj，j∈[1，n+m]表示第j分支对应的隐含层参数，θj＝(ωj *，bj *)，
Figure BDA0003034856960000042
表示第j分支对应的隐含层的权重矩阵，
Figure BDA0003034856960000043
表示表示第j分支对应的隐含层的偏差系数，z表示所述训练集的样本数量，n+m表示所述多分支神经网络模型的总分支数量。
可选地，所述S6具体包括：
S61：采用反向传播和随机梯度下降算法，根据公式
Figure BDA0003034856960000044
对所述多分支神经网络模型的第j分支对应的独立损失优化函数进行训练；
其中，()′表示求梯度值，
Figure BDA0003034856960000045
表示第j分支对应的隐含层第l+1次迭代的权重矩阵，
Figure BDA0003034856960000046
表示第j分支对应的隐含层第l次迭代的权重矩阵，
Figure BDA0003034856960000047
表示第j分支对应的隐含层第l+1次迭代的偏差系数，
Figure BDA0003034856960000048
表示第j分支对应的隐含层第l次迭代的偏差系数，η表示学习率，
Figure BDA0003034856960000049
第j分支的独立损失优化函数，y(j)，j∈[1，n+m]表示第j分支组分含量输出，
Figure BDA00030348569600000410
第j分支组分含量输出预测值，θj，j∈[1，n+m]表示第j分支对应的隐含层参数，n+m表示所述多分支神经网络模型的总分支数量；
S62：当第j分支对应的隐含层的权重矩阵和第j分支对应的隐含层的偏差系数均收敛到设定阈值时，第j分支停止训练；
S63：判断j是否大于或等于n+m，如果j大于或等于n+m，则输出训练后的多分支神经网络模型；如果j小于n+m，则令j＝j+1，返回“S61”。
本发明还提供一种基于多分支神经网络的稀土萃取模拟系统，所述系统包括：
获取模块，用于获取稀土原始数据集；
处理模块，用于对所述稀土原始数据集进行数据清洗和标准化预处理，得到处理后的数据集；
划分模块，用于将处理后的数据集划分为训练集和测试集；
多分支神经网络模型确定模块，用于根据所述训练集构建多分支神经网络模型；
独立损失优化函数确定模块，用于构建所述多分支神经网络模型的各个分支对应的独立损失优化函数；
训练模块，用于采用反向传播和随机梯度下降算法，对所述多分支神经网络模型的各个分支对应的独立损失优化函数进行训练，当各个分支的独立损失优化函数均收敛到设定阈值时，停止训练，获得训练后的多分支神经网络模型；
模拟模块，用于利用测试集对所述训练后的多分支神经网络模型进行模拟，当模拟精度达到设定精度时，停止模拟，获得最终的多分支神经网络模型；
萃取模块，用于利用所述最终的多分支神经网络模型进行稀土萃取模拟。
可选地，所述多分支神经网络模型，具体公式为：
Figure BDA0003034856960000061
Figure BDA0003034856960000062
其中，y(j),j∈[1,n+m]表示第j分支组分含量输出，fi(*),i∈[1,n+m]表示多变量线性函数，X表示所述训练集的特征，h(i),i∈[1,k]表示第i层隐含层提取特征，ωi,i∈[1,k]表示第i层隐含层提取特征的权重矩阵，bi,i∈[1,k]表示第i层隐含层提取特征的偏差项，h(*)表示第j分支的上一级隐含层特征，bj,j∈[1,n+m]表示第j分支的偏差系数，f(*)表示隐含层传递函数，g(*)表示输出层传递函数，n+m表示所述多分支神经网络模型的总分支数量。
可选地，所述独立损失优化函数，具体公式为：
Figure BDA0003034856960000063
其中，
Figure BDA0003034856960000064
表示第j分支的独立损失优化函数，y(j)，j∈[1，n+m]表示第j分支组分含量输出，
Figure BDA0003034856960000071
第j分支组分含量输出预测值，θj，j∈[1，n+m]表示第j分支对应的隐含层参数，θj＝(ωj *，bj *)，
Figure BDA0003034856960000072
表示第j分支对应的隐含层的权重矩阵，
Figure BDA0003034856960000073
表示表示第j分支对应的隐含层的偏差系数，z表示所述训练集的样本数量，n+m表示所述多分支神经网络模型的总分支数量。
可选地，所述训练模块具体包括：
迭代单元，用于采用反向传播和随机梯度下降算法，根据公式
Figure BDA0003034856960000074
对所述多分支神经网络模型的第j分支对应的独立损失优化函数进行训练；
其中，()′表示求梯度值，
Figure BDA0003034856960000075
表示第j分支对应的隐含层第l+1次迭代的权重矩阵，
Figure BDA0003034856960000076
表示第j分支对应的隐含层第l次迭代的权重矩阵，
Figure BDA0003034856960000077
表示第j分支对应的隐含层第l+1次迭代的偏差系数，
Figure BDA0003034856960000078
表示第j分支对应的隐含层第l次迭代的偏差系数，η表示学习率，
Figure BDA0003034856960000079
第j分支的独立损失优化函数，y(j)，j∈[1，n+m]表示第j分支组分含量输出，
Figure BDA00030348569600000710
第j分支组分含量输出预测值，θj，j∈[1，n+m]表示第j分支对应的隐含层参数，n+m表示所述多分支神经网络模型的总分支数量；
阈值设定单元，用于当第j分支对应的隐含层的权重矩阵和第j分支对应的隐含层的偏差系数均收敛到设定阈值时，第j分支停止训练；
判断单元，用于判断j是否大于或等于n+m，如果j大于或等于n+m，则输出训练后的多分支神经网络模型；如果j小于n+m，则令j＝j+1，返回迭代单元。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种基于多分支神经网络的稀土萃取模拟方法及系统，方法包括：获取稀土原始数据集并进行预处理，得到处理后的数据集；将处理后的数据集划分为训练集和测试集；根据训练集构建多分支神经网络模型；构建多分支神经网络模型的各个分支对应的独立损失优化函数；对各个分支对应的独立损失优化函数进行训练，当各个分支的独立损失优化函数均收敛到设定阈值时，停止训练，获得训练后的多分支神经网络模型；利用测试集对所述训练后的多分支神经网络模型进行模拟，当模拟精度达到设定精度时，停止模拟，获得最终的多分支神经网络模型；利用最终的多分支神经网络模型进行稀土萃取模拟。本发明提高了稀土萃取模拟的预测精度和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1基于多分支神经网络的稀土萃取模拟方法流程图；
图2为本发明实施例1多分支神经网络模型示意图；
图3为本发明实施例1稀土萃取工艺生产流程图；
图4为本发明实施例1多分支神经网络模型对测试集中第40级有机相含量模拟曲线图；
图5为本发明实施例1多分支神经网络模型对测试集中第40级水相含量模拟曲线图；
图6为本发明实施例1多分支神经网络模型各萃取级Pr组分含量分布模拟曲线图；
图7为本发明实施例1多分支神经网络模型各分支组分含量输出模拟曲线图；
图8为本发明实施例2基于多分支神经网络的稀土萃取模拟系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于多分支神经网络的稀土萃取模拟方法及系统，以提高预测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本发明提供一种基于多分支神经网络的稀土萃取模拟方法，所述方法包括：
S1：获取稀土原始数据集。对于实际生产流程，根据生产指标和工艺要求，得到每组工况下料液组分含量、各组分间相对分离系数，洗涤剂流量、萃取剂流量、进料方式、出口指标和出口分离系数等特征，再通过取样化验得到萃取分离达到动态平衡时各级组分含量值，一个样本的特征参数加上对应各级组分含量分布值即构成一例数据样本。经过足够长时间，采集到足量的不同生产工况数据，对采集的数据通过数据清洗等方法去除掉不符合实际的样本后，剩下的数据即构成稀土原始数据集。
S2：对所述稀土原始数据集进行数据清洗和标准化预处理，得到处理后的数据集。考虑原始数据集中原始特征参数量纲不同，数值大小不一，不利于多分支神经网络模型通过随机梯度下降算法进行训练。为提高多分支神经网络模型精度、提升独立损失优化函数收敛速度，消除量纲不同的限制，对原始数据集中的特征采用数据标准化处理使原始数据集符合标准正态分布，即均值为0。根据
Figure BDA0003034856960000101
对原始数据集中的特征进行标准化，式中x*为原始数据集中的特征，μ和σ分别为对应特征x*的均值和方差，X′为处理后的特征。
S3：将处理后的数据集划分为训练集和测试集。
S4：根据所述训练集的输入输出维度构建多分支神经网络模型。如图2和图3所示，对于稀土萃取流程，根据工艺设计，确定萃取段和洗涤段级数分别为n和m，则分离的总级数为n+m，第n级为进料级。每一级对应多分支神经网络模型中的一个分支。每一级中存在有机相和水相，因为同一相中难萃组分(第一组分)与易萃组分(第二组分)含量和为1，故本发明简化多分支神经网络模型结构，仅考虑有机相中易萃组分A和水相中难萃组分B为多分支神经网络模型输出。每个分支皆存在有机相易萃组分值和水相难萃组分值两个输出。考虑各级组分含量变化与输入特征的映射关系不同，对每一级都建立一个对应的多分支神经网络模型中的一个分支。多分支神经网络模型是主网络每隔一个隐含层引入一个分支输出，分支包括分支回归层和输出层，一个分支有两个输出，有机相A组分yi1和水相B组分yi2，i∈[1，n+m]，主网络也会存在n+m个隐含层。假设从所述训练集中共提取出p个特征，即训练集的输入维度有p个，类比多输入多输出模型，所述多分支神经网络模型，具体公式为：
Figure BDA0003034856960000111
Figure BDA0003034856960000112
其中，y(j),j∈[1,n+m]表示第j分支组分含量输出，fi(*),i∈[1,n+m]表示多变量线性函数，X表示所述训练集的特征，h(i),i∈[1,k]表示第i层隐含层提取特征，ωi,i∈[1,k]表示第i层隐含层提取特征的权重矩阵，bi,i∈[1,k]表示第i层隐含层提取特征的偏差项，h(*)表示第j分支的上一级隐含层特征，bj,j∈[1,n+m]表示第j分支的偏差系数，f(*)表示隐含层传递函数，g(*)表示输出层传递函数，n+m表示所述多分支神经网络模型的总分支数量。y(j)＝[yj1，yj2]，yj1和yj2分别表示第j分支对应的第j级有机相易萃组分(第二组分)含量值和水相难萃组分(第一组分)含量值。
S5：构建所述多分支神经网络模型的各个分支对应的独立损失优化函数。所述独立损失优化函数，具体公式为：
Figure BDA0003034856960000121
其中，
Figure BDA0003034856960000122
表示第j分支的独立损失优化函数，y(j)，j∈[1，n+m]表示第j分支组分含量输出，
Figure BDA0003034856960000123
第j分支组分含量输出预测值，θj，j∈[1，n+m]表示第j分支对应的隐含层参数，θj＝(ωj *，bj *)，
Figure BDA0003034856960000124
表示第j分支对应的隐含层的权重矩阵，
Figure BDA0003034856960000125
表示表示第j分支对应的隐含层的偏差系数，z表示所述训练集的样本数量，n+m表示所述多分支神经网络模型的总分支数量。
S6：采用反向传播和随机梯度下降算法，对所述多分支神经网络模型的各个分支对应的独立损失优化函数进行训练，当各个分支的独立损失优化函数均收敛到设定阈值时，停止训练，获得训练后的多分支神经网络模型。在若干次训练迭代后，为防止多分支神经网络模型过拟合以及独立损失优化函数学习曲线抖动导致的学习时间过长，可将初始学习率按一定倍数缩小，当达到设置的最大迭代次数或所有分支的独立损失优化函数都收敛至设定阈值时即结束训练。
S7：利用测试集对所述训练后的多分支神经网络模型进行模拟，当模拟精度达到设定精度时，停止模拟，获得最终的多分支神经网络模型。
S8：利用所述最终的多分支神经网络模型进行稀土萃取模拟。
在本发明实施例中，所述S6具体包括：
S61：采用反向传播和随机梯度下降算法，根据公式
Figure BDA0003034856960000131
对所述多分支神经网络模型的第j分支对应的独立损失优化函数进行训练；
其中，()′表示求梯度值，
Figure BDA0003034856960000132
表示第j分支对应的隐含层第l+1次迭代的权重矩阵，
Figure BDA0003034856960000133
表示第j分支对应的隐含层第l次迭代的权重矩阵，
Figure BDA0003034856960000134
表示第j分支对应的隐含层第l+1次迭代的偏差系数，
Figure BDA0003034856960000135
表示第j分支对应的隐含层第l次迭代的偏差系数，η表示学习率，
Figure BDA0003034856960000136
第j分支的独立损失优化函数，y(j)，j∈[1，n+m]表示第j分支组分含量输出，
Figure BDA0003034856960000137
第j分支组分含量输出预测值，θj，j∈[1，n+m]表示第j分支对应的隐含层参数，n+m表示所述多分支神经网络模型的总分支数量。
S62：当第j分支对应的隐含层的权重矩阵和第j分支对应的隐含层的偏差系数均收敛到设定阈值时，第j分支停止训练。
S63：判断j是否大于或等于n+m，如果j大于或等于n+m，则输出训练后的多分支神经网络模型；如果j小于n+m，则令j＝j+1，返回“S61”。
稀土萃取分离过程机理复杂，难以准确建立静态模型，而对于数据驱动建模，现有浅层神经网络建模方法存在预测精度低且未考虑实际分离特性的问题。本发明针对现有神经网络建模方法存在预测精度不足的问题，提出多分支深层神经网络。本发明考虑到了萃取槽各级组分含量与输入特征的不同映射关系以及前后级萃取槽存在耦合现象的实际特性，以及浅层神经网络对复杂非线性函数学习能力不足的问题，根据萃取级数及特征维度构建多分支神经网络模型，并对每个分支建立独立损失优化函数，然后采用反向传播和随机梯度下降算法对多分支神经网络模型的各个分支对应的独立损失优化函数进行训练得到训练后的多分支神经网络模型，模拟得到的各级组分含量更接近萃取生产现场实际值，以实现更好的稀土萃取过程流程模拟。
在本发明实施例中，萃取过程共有n+m级，多分支神经网络模型则对应有n+m个分支。考虑不同级组分含量与输入特征参数间映射复杂程度不同，并考虑前后萃取级间的耦合特性，根据第一级到最后一级的顺序从主网络中每隔一个隐含层引入一个分支，使得后一级分支可以利用到前一级分支学习到的隐含层特征，且分支独立的回归层可以进行组分含量预测，符合萃取分离反应的复杂度分布关系。对各分支建立独立损失优化函数进行训练，多分支神经网络模型输出为各个分支对应的级数的有机相易萃组分含量值和水相难萃组分含量值。
设例是镧，铈，镨，钕(La、Ce、Pr、Nd)四组分元素分离，进料量MF为1.00mol，根据化验得到各元素在料液中的摩尔分数fa，fb，fc，fd，有fa+fb+fc+fd＝MF，考虑分离第一阶段，即令切割组分为铈，两端出口分别得到镧铈和镨钕产品。如图6所示，该分离过程共有58级，第39级为进料级，料液组分分布为[0.2592 0.4904 0.0496 0.2008]。可以看出组分分布的预测值基本拟合了真实值曲线，证明了本发明的有效性。
如图4和图5所示，利用多分支神经网络模型对200例测试样本中第40级有机相易萃组分A和水相难萃组分B的预测情况。多分支神经网络模型预测输出曲线基本拟合了实际组分含量曲线，说明本发明提出的多分支网络模型能以较高的精度学习稀土萃取过程工况参数与各级组分含量间的复杂非线性关系。
图7多分支网络模型各分支组分含量输出模拟曲线图。该例样本进料级n为39，总级数为n+m＝58。从图7中可以看出，易萃组分A在n+m级有机相出口组分含量接近1，难萃组分B在第1级水相出口组分含量接近1，模拟情况反映了实际萃取过程各级组分含量变化。
用本发明提出的方法进行稀土萃取流程模拟得到的各级组分含量接近萃取生产现场实际值，能够真实地反映稀土萃取流程，可以使生产技术人员据此判断生产情况，及时调整工艺参数。
实施例2
如图8所示，本发明提供一种基于多分支神经网络的稀土萃取模拟系统，所述系统包括：
获取模块801，用于获取稀土原始数据集。
处理模块802，用于对所述稀土原始数据集进行数据清洗和标准化预处理，得到处理后的数据集。
划分模块803，用于将处理后的数据集划分为训练集和测试集。
多分支神经网络模型确定模块804，用于根据所述训练集构建多分支深层神经网络模型。
独立损失优化函数确定模块805，用于构建所述多分支神经网络模型的各个分支对应的独立损失优化函数。
训练模块806，用于采用反向传播和随机梯度下降算法，对所述多分支神经网络模型的各个分支对应的独立损失优化函数进行训练，当各个分支的独立损失优化函数均收敛到设定阈值时，停止训练，获得训练后的多分支神经网络模型。
模拟模块807，用于利用测试集对所述训练后的多分支神经网络模型进行模拟，当模拟精度达到设定精度时，停止模拟，获得最终的多分支神经网络模型。
萃取模块808，用于利用所述最终的多分支神经网络模型进行稀土萃取模拟。
在本发明实施例中，所述多分支神经网络模型，具体公式为：
Figure BDA0003034856960000161
Figure BDA0003034856960000162
其中，y(j),j∈[1,n+m]表示第j分支组分含量输出，fi(*),i∈[1,n+m]表示多变量线性函数，X表示所述训练集的特征，h(i),i∈[1,k]表示第i层隐含层提取特征，ωi,i∈[1,k]表示第i层隐含层提取特征的权重矩阵，bi,i∈[1,k]表示第i层隐含层提取特征的偏差项，h(*)表示第j分支的上一级隐含层特征，bj,j∈[1,n+m]表示第j分支的偏差系数，f(*)表示隐含层传递函数，g(*)表示输出层传递函数，n+m表示所述多分支神经网络模型的总分支数量。
在本发明实施例中，所述独立损失优化函数，具体公式为：
Figure BDA0003034856960000163
其中，
Figure BDA0003034856960000164
表示第j分支的独立损失优化函数，y(j)，j∈[1，n+m]表示第j分支组分含量输出，
Figure BDA0003034856960000171
第j分支组分含量输出预测值，θj，j∈[1，n+m]表示第j分支对应的隐含层参数，θj＝(ωj *，bj *)，
Figure BDA0003034856960000172
表示第j分支对应的隐含层的权重矩阵，
Figure BDA0003034856960000173
表示表示第j分支对应的隐含层的偏差系数，z表示所述训练集的样本数量，n+m表示所述多分支神经网络模型的总分支数量。
在本发明实施例中，所述训练模块具体包括：
迭代单元，用于采用反向传播和随机梯度下降算法，根据公式
Figure BDA0003034856960000174
对所述多分支神经网络模型的第j分支对应的独立损失优化函数进行训练；
其中，()′表示求梯度值，
Figure BDA0003034856960000175
表示第j分支对应的隐含层第l+1次迭代的权重矩阵，
Figure BDA0003034856960000176
表示第j分支对应的隐含层第l次迭代的权重矩阵，
Figure BDA0003034856960000177
表示第j分支对应的隐含层第l+1次迭代的偏差系数，
Figure BDA0003034856960000178
表示第j分支对应的隐含层第l次迭代的偏差系数，η表示学习率，
Figure BDA0003034856960000179
第j分支的独立损失优化函数，y(j)，j∈[1，n+m]表示第j分支组分含量输出，
Figure BDA00030348569600001710
第j分支组分含量输出预测值，θj，j∈[1，n+m]表示第j分支对应的隐含层参数，n+m表示所述多分支神经网络模型的总分支数量。
阈值设定单元，用于当第j分支对应的隐含层的权重矩阵和第j分支对应的隐含层的偏差系数均收敛到设定阈值时，第j分支停止训练。
判断单元，用于判断j是否大于或等于n+m，如果j大于或等于n+m，则输出训练后的多分支神经网络模型；如果j小于n+m，则令j＝j+1，返回迭代单元。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于多分支神经网络的稀土萃取模拟方法，其特征在于，所述方法包括：
S1：获取稀土原始数据集；获取每组工况下料液组分含量、各组分间相对分离系数，洗涤剂流量、萃取剂流量、进料方式、出口指标和出口分离系数特征，再通过取样化验得到萃取分离达到动态平衡时各级组分含量值，一个样本的特征参数加上对应各级组分含量分布值即构成一例数据样本；
S2：对所述稀土原始数据集进行数据清洗和标准化预处理，得到处理后的数据集；
S3：将处理后的数据集划分为训练集和测试集；
S4：根据所述训练集构建多分支神经网络模型；萃取过程共有n+m级，多分支神经网络模型则对应有n+m个分支；考虑不同级组分含量与输入特征参数间映射复杂程度不同，并考虑前后萃取级间的耦合特性，根据第一级到最后一级的顺序从主网络中每隔一个隐含层引入一个分支，使得后一级分支可以利用到前一级分支学习到的隐含层特征，且分支独立的回归层可以进行组分含量预测，符合萃取分离反应的复杂度分布关系；n表示稀土萃取过程中萃取段级数，m表示稀土萃取过程中洗涤段级数；
S5：构建所述多分支神经网络模型的各个分支对应的独立损失优化函数；对各分支建立独立损失优化函数进行训练，多分支神经网络模型输出为各个分支对应的级数的有机相易萃组分含量值和水相难萃组分含量值；
S6：采用反向传播和随机梯度下降算法，对所述多分支神经网络模型的各个分支对应的独立损失优化函数进行训练，当各个分支的独立损失优化函数均收敛到设定阈值时，停止训练，获得训练后的多分支神经网络模型；
S7：利用测试集对所述训练后的多分支神经网络模型进行模拟，当模拟精度达到设定精度时，停止模拟，获得最终的多分支神经网络模型；
S8：利用所述最终的多分支神经网络模型进行稀土萃取模拟。
2.根据权利要求1所述的基于多分支神经网络的稀土萃取模拟方法，其特征在于，所述多分支神经网络模型，具体公式为：
Figure FDA0003975183610000021
Figure FDA0003975183610000022
其中，y(j),j∈[1,n+m]表示第j分支组分含量输出，fi(*),i∈[1,n+m]表示多变量线性函数，X表示所述训练集的特征，h(i),i∈[1,k]表示第i层隐含层提取特征，ωi,i∈[1,k]表示第i层隐含层提取特征的权重矩阵，bi,i∈[1,k]表示第i层隐含层提取特征的偏差项，h(*)表示第j分支的上一级隐含层特征，bj,j∈[1,n+m]表示第j分支的偏差系数，f(*)表示隐含层传递函数，g(*)表示输出层传递函数，n+m表示所述多分支神经网络模型的总分支数量。
3.根据权利要求1所述的基于多分支神经网络的稀土萃取模拟方法，其特征在于，所述独立损失优化函数，具体公式为：
Figure FDA0003975183610000023
其中，
Figure FDA0003975183610000031
表示第j分支的独立损失优化函数，y(j)，j∈[1，n+m]表示第j分支组分含量输出，
Figure FDA0003975183610000032
第j分支组分含量输出预测值，θi，j∈[1，n+m]表示第j分支对应的隐含层参数，θi＝(ωi *，bj *)，
Figure FDA0003975183610000033
表示第j分支对应的隐含层的权重矩阵，
Figure FDA0003975183610000034
表示第j分支对应的隐含层的偏差系数，z表示所述训练集的样本数量，n+m表示所述多分支神经网络模型的总分支数量。
4.根据权利要求1所述的基于多分支神经网络的稀土萃取模拟方法，其特征在于，所述S6具体包括：
S61：采用反向传播和随机梯度下降算法，根据公式
Figure FDA0003975183610000035
对所述多分支神经网络模型的第j分支对应的独立损失优化函数进行训练；
其中，( )′表示求梯度值，
Figure FDA0003975183610000036
表示第j分支对应的隐含层第l+1次迭代的权重矩阵，
Figure FDA0003975183610000037
表示第j分支对应的隐含层第l次迭代的权重矩阵，
Figure FDA0003975183610000038
表示第j分支对应的隐含层第l+1次迭代的偏差系数，
Figure FDA0003975183610000039
表示第j分支对应的隐含层第l次迭代的偏差系数，η表示学习率，
Figure FDA00039751836100000310
第j分支的独立损失优化函数，y(j)，j∈[1，n+m]表示第j分支组分含量输出，
Figure FDA00039751836100000311
第j分支组分含量输出预测值，θj，j∈[1，n+m]表示第j分支对应的隐含层参数，n+m表示所述多分支神经网络模型的总分支数量；
S62：当第j分支对应的隐含层的权重矩阵和第j分支对应的隐含层的偏差系数均收敛到设定阈值时，第j分支停止训练；
S63：判断j是否大于或等于n+m，如果j大于或等于n+m，则输出训练后的多分支神经网络模型；如果j小于n+m，则令j＝j+1,返回“S61”。
5.一种基于多分支神经网络的稀土萃取模拟系统，其特征在于，所述系统包括：
获取模块，用于获取稀土原始数据集；获取每组工况下料液组分含量、各组分间相对分离系数，洗涤剂流量、萃取剂流量、进料方式、出口指标和出口分离系数特征，再通过取样化验得到萃取分离达到动态平衡时各级组分含量值，一个样本的特征参数加上对应各级组分含量分布值即构成一例数据样本；
处理模块，用于对所述稀土原始数据集进行数据清洗和标准化预处理，得到处理后的数据集；
划分模块，用于将处理后的数据集划分为训练集和测试集；
多分支神经网络模型确定模块，用于根据所述训练集构建多分支神经网络模型；萃取过程共有n+m级，多分支神经网络模型则对应有n+m个分支；考虑不同级组分含量与输入特征参数间映射复杂程度不同，并考虑前后萃取级间的耦合特性，根据第一级到最后一级的顺序从主网络中每隔一个隐含层引入一个分支，使得后一级分支可以利用到前一级分支学习到的隐含层特征，且分支独立的回归层可以进行组分含量预测，符合萃取分离反应的复杂度分布关系；n表示稀土萃取过程中萃取段级数，m表示稀土萃取过程中洗涤段级数；
独立损失优化函数确定模块，用于构建所述多分支神经网络模型的各个分支对应的独立损失优化函数；对各分支建立独立损失优化函数进行训练，多分支神经网络模型输出为各个分支对应的级数的有机相易萃组分含量值和水相难萃组分含量值；
训练模块，用于采用反向传播和随机梯度下降算法，对所述多分支神经网络模型的各个分支对应的独立损失优化函数进行训练，当各个分支的独立损失优化函数均收敛到设定阈值时，停止训练，获得训练后的多分支神经网络模型；
模拟模块，用于利用测试集对所述训练后的多分支神经网络模型进行模拟，当模拟精度达到设定精度时，停止模拟，获得最终的多分支神经网络模型；
萃取模块，用于利用所述最终的多分支神经网络模型进行稀土萃取模拟。
6.根据权利要求5所述的基于多分支神经网络的稀土萃取模拟系统，其特征在于，所述多分支神经网络模型，具体公式为：
Figure FDA0003975183610000051
Figure FDA0003975183610000052
其中，y(j),j∈[1,n+m]表示第j分支组分含量输出，fi(*),i∈[1,n+m]表示多变量线性函数，X表示所述训练集的特征，h(i),i∈[1,k]表示第i层隐含层提取特征，ωi,i∈[1,k]表示第i层隐含层提取特征的权重矩阵，bi,i∈[1,k]表示第i层隐含层提取特征的偏差项，h(*)表示第j分支的上一级隐含层特征，bj,j∈[1,n+m]表示第j分支的偏差系数，f(*)表示隐含层传递函数，g(*)表示输出层传递函数，n+m表示所述多分支神经网络模型的总分支数量。
7.根据权利要求5所述的基于多分支神经网络的稀土萃取模拟系统，其特征在于，所述独立损失优化函数，具体公式为：
Figure FDA0003975183610000061
其中，
Figure FDA0003975183610000062
表示第j分支的独立损失优化函数，y(j)，j∈[1，n+m]表示第j分支组分含量输出，
Figure FDA0003975183610000063
第j分支组分含量输出预测值，θj，j∈[1，n+m]表示第j分支对应的隐含层参数，θj＝(ωj *，bj *)，
Figure FDA0003975183610000064
表示第j分支对应的隐含层的权重矩阵，
Figure FDA0003975183610000065
表示第j分支对应的隐含层的偏差系数，z表示所述训练集的样本数量，n+m表示所述多分支神经网络模型的总分支数量。
8.根据权利要求5所述的基于多分支神经网络的稀土萃取模拟系统，其特征在于，所述训练模块具体包括：
迭代单元，用于采用反向传播和随机梯度下降算法，根据公式
Figure FDA0003975183610000066
对所述多分支神经网络模型的第j分支对应的独立损失优化函数进行训练；
其中，( )′表示求梯度值，
Figure FDA0003975183610000067
表示第j分支对应的隐含层第l+1次迭代的权重矩阵，
Figure FDA0003975183610000068
表示第j分支对应的隐含层第l次迭代的权重矩阵，
Figure FDA0003975183610000069
表示第j分支对应的隐含层第l+1次迭代的偏差系数，
Figure FDA0003975183610000071
表示第j分支对应的隐含层第l次迭代的偏差系数，η表示学习率，
Figure FDA0003975183610000072
第j分支的独立损失优化函数，y(j)，j∈[1，n+m]表示第j分支组分含量输出，
Figure FDA0003975183610000073
第j分支组分含量输出预测值，θj，j∈[1，n+m]表示第j分支对应的隐含层参数，n+m表示所述多分支神经网络模型的总分支数量；
阈值设定单元，用于当第j分支对应的隐含层的权重矩阵和第j分支对应的隐含层的偏差系数均收敛到设定阈值时，第j分支停止训练；
判断单元，用于判断j是否大于或等于n+m，如果j大于或等于n+m，则输出训练后的多分支神经网络模型；如果j小于n+m，则令j＝j+1,返回迭代单元。
CN202110440712.5A 2021-04-23 2021-04-23 一种基于多分支神经网络的稀土萃取模拟方法及系统 Active CN113130014B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110440712.5A CN113130014B (zh) 2021-04-23 2021-04-23 一种基于多分支神经网络的稀土萃取模拟方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110440712.5A CN113130014B (zh) 2021-04-23 2021-04-23 一种基于多分支神经网络的稀土萃取模拟方法及系统

Publications (2)

Publication Number Publication Date
CN113130014A CN113130014A (zh) 2021-07-16
CN113130014B true CN113130014B (zh) 2023-02-07

Family

ID=76779259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110440712.5A Active CN113130014B (zh) 2021-04-23 2021-04-23 一种基于多分支神经网络的稀土萃取模拟方法及系统

Country Status (1)

Country Link
CN (1) CN113130014B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330089B (zh) * 2021-07-28 2024-05-14 华东交通大学 一种稀土元素含量变化预测方法及系统
CN115182083B (zh) * 2022-07-11 2023-06-16 浙江理工大学 一种织布机了机智能预测模型的构建方法和构建装置
CN115206455B (zh) * 2022-07-28 2023-07-18 江西理工大学 基于深度神经网络的稀土元素组分含量预测方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103344583A (zh) * 2013-07-09 2013-10-09 华东交通大学 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法
WO2017074921A1 (en) * 2015-10-30 2017-05-04 Ii-Vi Incorporated Composite extractant-enhanced polymer resin, method of making the same, and its usage for extraction of valuable metal(s)
CN106934233A (zh) * 2017-03-09 2017-07-07 江西理工大学 一种基于psr模型的稀土矿区环境压力量化评估方法及系统
CN108490779A (zh) * 2018-03-20 2018-09-04 华东交通大学 一种稀土萃取过程解耦控制方法
CN108898620A (zh) * 2018-06-14 2018-11-27 厦门大学 基于多重孪生神经网络与区域神经网络的目标跟踪方法
CN109839825A (zh) * 2019-01-28 2019-06-04 华东交通大学 一种稀土萃取过程组分含量的预测控制方法及系统
CN110060744A (zh) * 2018-11-16 2019-07-26 兰州大学 一种环隙式离心萃取器工艺参数与单级萃取性能之间关系的综合计算及模拟方法
CN110223288A (zh) * 2019-06-17 2019-09-10 华东交通大学 一种稀土萃取过程多组分含量预测方法及系统
CN111180017A (zh) * 2020-01-09 2020-05-19 江西理工大学 离子型稀土浸矿剂用量的计算方法
CN111444889A (zh) * 2020-04-30 2020-07-24 南京大学 基于多级条件影响的卷积神经网络的细粒度动作检测方法
CN112669452A (zh) * 2021-01-08 2021-04-16 天津大学 一种基于卷积神经网络多分支结构的物体定位方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106354017B (zh) * 2016-11-14 2019-06-04 华东交通大学 一种稀土萃取分离过程组分含量区间控制方法
CN110753935A (zh) * 2017-04-25 2020-02-04 小利兰·斯坦福大学托管委员会 用于医学成像的使用深度卷积神经网络的剂量减少
CN109376933A (zh) * 2018-10-30 2019-02-22 成都云材智慧数据科技有限公司 基于神经网络的锂离子电池负极材料能量密度预测方法
CN109492287A (zh) * 2018-10-30 2019-03-19 成都云材智慧数据科技有限公司 一种基于bp神经网络的固态电解质离子电导率预测方法
CN110147778B (zh) * 2019-05-27 2022-09-30 江西理工大学 稀土矿开采识别方法、装置、设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103344583A (zh) * 2013-07-09 2013-10-09 华东交通大学 一种基于机器视觉的镨-钕(Pr/Nd)组分含量检测系统及方法
WO2017074921A1 (en) * 2015-10-30 2017-05-04 Ii-Vi Incorporated Composite extractant-enhanced polymer resin, method of making the same, and its usage for extraction of valuable metal(s)
CN106934233A (zh) * 2017-03-09 2017-07-07 江西理工大学 一种基于psr模型的稀土矿区环境压力量化评估方法及系统
CN108490779A (zh) * 2018-03-20 2018-09-04 华东交通大学 一种稀土萃取过程解耦控制方法
CN108898620A (zh) * 2018-06-14 2018-11-27 厦门大学 基于多重孪生神经网络与区域神经网络的目标跟踪方法
CN110060744A (zh) * 2018-11-16 2019-07-26 兰州大学 一种环隙式离心萃取器工艺参数与单级萃取性能之间关系的综合计算及模拟方法
CN109839825A (zh) * 2019-01-28 2019-06-04 华东交通大学 一种稀土萃取过程组分含量的预测控制方法及系统
CN110223288A (zh) * 2019-06-17 2019-09-10 华东交通大学 一种稀土萃取过程多组分含量预测方法及系统
CN111180017A (zh) * 2020-01-09 2020-05-19 江西理工大学 离子型稀土浸矿剂用量的计算方法
CN111444889A (zh) * 2020-04-30 2020-07-24 南京大学 基于多级条件影响的卷积神经网络的细粒度动作检测方法
CN112669452A (zh) * 2021-01-08 2021-04-16 天津大学 一种基于卷积神经网络多分支结构的物体定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Neural Network Modeling for the Extraction of Rare Earth Elements from Eudialyte Concentrate by Dry Digestion and Leaching;Yiqian Ma 等;《metals》;20180413;1-22 *
基于分离系数校正的稀土萃取流程模拟;杨辉 等;《化工学报》;20200402;3180-3190 *
基于改进即时学习算法的镨/钕元素组分含量预测;陆荣秀 等;《控制理论与应用》;20200331;1846-1854 *
稀土萃取分离过程组分含量控制方法研究;何丽娟;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20180215;B014-1509 *

Also Published As

Publication number Publication date
CN113130014A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN113130014B (zh) 一种基于多分支神经网络的稀土萃取模拟方法及系统
CN104537415B (zh) 一种基于压缩感知和dros‑elm的非线性过程工业故障预测及识别方法
CN103745273B (zh) 一种半导体制造过程的多性能预测方法
CN101863088B (zh) 一种橡胶混炼过程中门尼粘度的预报方法
CN107609141B (zh) 一种对大规模可再生能源数据进行快速概率建模方法
CN106326984A (zh) 用户意图识别方法和装置、自动应答系统
CN106597574A (zh) 一种基于时变云模型的天气温度预测方法及装置
CN103678869A (zh) 一种飞行参数缺失数据的预测估计方法
CN106778838A (zh) 一种预测空气质量的方法
CN112947300A (zh) 一种加工质量虚拟量测方法、系统、介质及设备
WO2022171788A1 (de) Vorhersagemodell zum vorhersagen von produktqualitätsparameterwerten
CN105740354A (zh) 自适应潜在狄利克雷模型选择的方法及装置
JP2001249705A (ja) プロセスシミュレータ応用非線形制御装置およびその方法
CN109459933A (zh) 一种基于异步状态观测器的马尔科夫跳变系统控制方法
CN115099326A (zh) 基于人工智能的行为预测方法、装置、设备及存储介质
Ueda et al. An effective approach to detect the source (s) of out-of-control signals in productive processes by vector error correction (VEC) residual and Hotelling’s T2 decomposition techniques
CN100370453C (zh) 稀土串级萃取分离组分含量软测量方法
Michelle et al. A bibliometric analysis of generative design, algorithmic design, and parametric design in architecture
Li et al. Multiple-input multiple-output soft sensors based on KPCA and MKLS-SVM for quality prediction in atmospheric distillation column
CN108921287A (zh) 一种神经网络模型的优化方法及系统
CN112765894A (zh) 一种基于k-lstm的铝电解槽状态预测方法
CN112200391A (zh) 基于k-近邻互信息特征简化的配电网边缘侧负荷预测方法
Hou et al. Observing a three-tank system
CN115983714A (zh) 边图神经网络电力系统静态安全评估方法及系统
CN103439964B (zh) 一种ocsvm监控模型的在线更新系统及方法

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
GR01 Patent grant
GR01 Patent grant