CN113468740B - 一种基于协同分摊噪声的软测量建模方法 - Google Patents

一种基于协同分摊噪声的软测量建模方法 Download PDF

Info

Publication number
CN113468740B
CN113468740B CN202110725639.6A CN202110725639A CN113468740B CN 113468740 B CN113468740 B CN 113468740B CN 202110725639 A CN202110725639 A CN 202110725639A CN 113468740 B CN113468740 B CN 113468740B
Authority
CN
China
Prior art keywords
data
matrix
noise
column
layer
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
CN202110725639.6A
Other languages
English (en)
Other versions
CN113468740A (zh
Inventor
高世伟
张青松
马忠彧
田冉
刘颜星
仇素龙
许金鹏
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.)
Northwest Normal University
Original Assignee
Northwest Normal 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 Northwest Normal University filed Critical Northwest Normal University
Priority to CN202110725639.6A priority Critical patent/CN113468740B/zh
Publication of CN113468740A publication Critical patent/CN113468740A/zh
Application granted granted Critical
Publication of CN113468740B publication Critical patent/CN113468740B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供了一种软测量建模中基于协同分摊的噪声削弱方法，并实现了一个基于该方法的软测量建模实例。该噪声削弱方法使用辅助数据与关键变量之间的相关性系数构建可信度向量，使用各数据行与样本空间中心点数据的欧式距离构建各数据行的偏置度向量，使用各数据与样本中心点数据的差值构建各数据的真实偏差矩阵及偏差方向，最后结合可信度、偏置度、偏差和强度因子对原始辅助数据进行协同分摊噪声，利用不同的强度因子来寻找噪声削弱时模型的性能提升最高点，从而平衡收集到的工业数据中的噪声数据与非噪声数据，解决了软测量建模数据中噪声复杂问题，降低了噪声处理时的难度，使软测量模型的预测性能有所提升，通过实现的一个软测量建模实例表明该方法有较高的适应性及稳定性。

Description

一种基于协同分摊噪声的软测量建模方法
技术领域
本发明专利涉及一种噪声处理方法和一种软测量建模方法。在工业生产领域具有重要的应用和推广价值。
背景技术
工业过程复杂多变、指标多样，而很多指标难以使用检测仪器进行直接测量，甚至无法测量，对于这类指标，目前国内外普遍使用软测量技术进行研究和检测。软测量技术是构建某种以容易测量的过程变量为输入、无法或难以测量的关键变量为输出的数学模型，通过对关键变量进行推断和估计，来达到软件代替硬件功能的目的。在软测量建模时，不仅需要考虑数据的高维度、强相关、高冗余、非线性和复杂噪声等问题，还要考虑模型的自身结构和相关参数。在数据清理和噪声削弱方面，可以使用小波降噪和降噪自编码器两种方法，但这两种方法均需要选定特定类型的噪声进行削弱，对剩余噪声并没有削弱作用。在特征提取方面，很多相关的特征提取技术被用来开发软测量模型，例如利用能量、质量平衡的机理建模，基于统计学理论建模、基于数据驱动的神经网络建模等。
软测量建模在工业过程控制中有着重要的意义，数据噪声无法彻底清除，但传统的噪声处理方法只能处理特定噪声，因此需要一种新的噪声处理方法，以实现噪声数据与非噪声数据的动态平衡，来提高模型的预测性能。
发明内容
为了克服现有技术的不足，在本发明技术方案中假设收集到的原始辅助数据矩阵为X，该数据的条数为N，每条辅助数据的属性个数为M。由于设备的波动和工况的转移，所收集到的原始辅助数据中含有复杂的噪声，如高斯噪声、脉冲噪声等。假设对噪声进行平衡削弱后的辅助数据矩阵为X’，模型的整个预测输出，即对关键变量的预测值矩阵为Ypred。
本发明主要包括四个部分：(1)对原始辅助数据矩阵X进行横向计算，可得到每个属性的可信度(credibility degree)。各属性对关键变量进行预测的重要性程度不同，因此需要独立计算各属性的可信度。(2)对原始辅助数据矩阵X进行竖向计算，可得到每条数据的偏置(deviation)和偏置度(bias degree)。每条数据的偏置和偏置度可分别组成偏置矩阵和偏置度向量。偏置用于确定该条数据的噪声以及进行噪声削弱时各属性的运动方向。偏置度可确定该条数据在原始辅助数据组成的样本空间中的偏离程度。(3)由可信度、偏置度和偏置共同作用，对原始辅助数据进行协同分摊噪声，并设定削弱强度(reducedegree)，来达到噪声数据与非噪声数据的平衡。(4)对平衡削弱后的数据矩阵X’进行回归分析。回归分析时需考虑与噪声削弱方法互补的操作，以及模型深度与参数广度之间的平衡。下面分别介绍以上四个部分的具体内容：
1、对原始辅助数据矩阵X进行横向计算，计算其各属性的可信度。基于皮尔森相关性系数计算每个属性列对关键变量的重要性程度，并将重要性程度投在0到1之间，得到各属性的可信度。
2、对原始辅助数据矩阵X进行竖向计算，计算每条数据的偏置和偏置度。基于减操作计算每条数据的偏置，这样既可以得到每条数据各属性的实际偏离大小，也可以得到数据的偏离方向，用于控制噪声削弱的方向。基于欧式距离计算每条数据的偏置度，并将偏置度投在0到1之间，可表达该数据在样本空间中的偏离指数。
3、由可信度、偏置度、偏置和削弱强度共同作用进行协同分摊噪声。可信度高的属性分摊的噪声少，可信度低的属性分摊的噪声多。削弱强度是投在0到1之间的某个数值，用来寻找噪声削弱时，噪声数据与非噪声数据之间的平衡。
4、对平衡削弱后的数据矩阵X’进行回归分析。考虑到线性的噪声削弱方法与非线性的特征表示方法之间的平衡；考虑到模型深度与参数广度之间的平衡，本模型在回归分析阶段采用具有权值共享和数据标准化的卷积神经网络来提取数据的深度特征。
基于协同分摊噪声的软测量建模(CAN-CNN)详细步骤如下：
步骤1：导入数据，并通过步骤1.1、1.2、1.3、1.4分别计算各属性的可信度，之后转入步骤2；令矩阵X表示原始辅助数据矩阵，共有N条数据，M个属性；令具有上标i的属性列Xi表示数据集中第i个属性列，该数据列有N个数据，具有下标j的数据xj表示该数据列中的第j个数据，用
Figure BDA0003138522980000031
表示该数据列的均值；令矩阵Y表示标签关键变量数据，矩阵Y具有N条数据，1个属性，具有下标j的数据yj表示该标签数据列中的第j个数据，用
Figure BDA0003138522980000032
表示该数据列的均值；令CD表示计算得到的可信度矩阵，该矩阵具有1条数据，M个属性，具有上标i的数据CDi表示该矩阵中第i个属性的可信度。步骤1.1、1.2、1.3和1.4详细描述如下：
步骤1.1：对具有M个属性的原始辅助数据矩阵X和具有1个属性的关键变量数据矩阵Y，分别利用公式
Figure BDA0003138522980000033
和公式
Figure BDA0003138522980000041
计算其各属性列的方差，后转入步骤1.2。
步骤1.2：对于各属性数据列Xi和关键变量数据列Y，利用公式
Figure BDA0003138522980000042
计算属性列Xi与关键变量数据列Y之间的协方差，后转入步骤1.3。
步骤1.3：由步骤1.1、1.2计算得来的各属性列的方差以及各属性列Xi和关键变量数据列Y之间的协方差，根据公式
Figure BDA0003138522980000043
计算各属性列Xi与关键变量数据列Y之间的相关性系数，后转入步骤1.4。
步骤1.4：由步骤1.3计算得来的各属性列Xi与关键变量数据列Y之间的相关性系数，对该相关性系数矩阵按照公式
Figure BDA0003138522980000044
进行归一化处理，得到可信度矩阵CD，该矩阵共有1条数据，M个属性，分别代表原始辅助数据矩阵X中各属性列的可信度，后转入步骤2。
步骤2：通过步骤2.1和2.2分别计算每条数据的偏置度向量和偏差矩阵，之后转入步骤3；令矩阵X表示原始辅助数据矩阵，共有N条数据，M个属性；令具有下标j的数据行Xj表示原始数据矩阵中的第j条数据行，用具有上标i和下标j的数据
Figure BDA0003138522980000045
表示原始数据矩阵中的第j条数据的第i个属性数据；令μ表示原始数据矩阵的均值向量，用具有上标i的数据μi表示均值向量μ中的第i个属性数据；令数据向量之间的距离为d；令具有下标j的数据BDj表示原始辅助数据矩阵X中第j条数据的偏置度数据；令具有上标i和下标j的数据
Figure BDA0003138522980000046
表示偏差矩阵中的第j条数据行中的第i个属性的偏差数据。步骤2.1和2.2的详细描述如下：
步骤2.1：对于原始辅助数据矩阵X中的各数据行和样本空间中心点向量μ，利用公式
Figure BDA0003138522980000047
分别计算每条数据与样本中心点向量之间的偏置度，得到偏置度向量BD，后转入步骤2.2。
步骤2.2：对于原始辅助数据矩阵X中的各数据行和样本空间中心点向量μ，利用公式
Figure BDA0003138522980000051
分别计算各数据行各属性列数据与样本中心点数据之间的偏差
Figure BDA0003138522980000052
此操作确定数据的真实偏差以及噪声的削弱方向，后转入步骤3。
步骤3：由步骤1、2计算得来的可信度向量、偏置度向量和偏差矩阵，对原始辅助数据矩阵X进行协同分摊噪声；令矩阵X’表示经过协同分摊噪声操作后的辅助数据矩阵；令具有上标i和下标j的数据
Figure BDA0003138522980000053
表示噪声削弱后的辅助数据矩阵X’中第j个数据行中的第i个属性数据；令RD表示在噪声削弱时的噪声削弱强度因子。步骤3的详细描述如下：
利用公式
Figure BDA0003138522980000054
计算并清理原始辅助数据矩阵X中每个数据的噪声，噪声削弱强度因子RD是由序列[0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1]逐渐增大的。当强度因子为0时，表示未对数据进行协同分摊噪声操作；当强度因子为0到1时，噪声削弱强度逐渐增大。该操作的目标是寻找噪声数据与非噪声数据之间的平衡。设定不同的强度因子RD可得到不同的噪声削弱后的辅助矩阵X’，后转入步骤4。
步骤4：对噪声削弱后的数据进行回归分析，考虑到线性的噪声处理方法和非线性的特征提取方法之间的平衡，模型深度与参数广度之间的平衡，本发明选用卷积神经网络对噪声削弱后的数据进行深度特征提取以及回归预测分析。通过步骤4.1、4.2、4.3对数据进行回归分析并输出关键变量的预测值。步骤4.1、4.2和4.3的详细描述如下：
步骤4.1：对选定不同的RD值后得到的辅助数据矩阵X’，将数据进行标准化操作，向矩阵X’中填充数列零值，使辅助数据矩阵X’的形状变化为n*k*k类型，并选定卷积模型的优化器为Adam，损失函数设定为均方误差mse，批处理大小设定为24，总训练批次设定为100次，后转入步骤4.2。
步骤4.2：对以及标准化为n*k*k形状的辅助数据矩阵X’，进行卷积提取特征操作。本步骤一共有6层，第一层是卷积层1，设定卷积核大小为2*2，卷积核个数为70，padding类型为same，激活函数选用relu函数；第二层是BN层，该层可使网络参数的训练更加快速稳定；第三层是卷积层2，设定卷积核大小为2*2，卷积核个数为150，padding类型为same，激活函数选用relu函数；第四层是池化层，选用MaxPool，该层用于削减深度网络中的网络参数；第五层是卷积层3，设定卷积核大小为2*2，卷积核个数为375，padding类型为same，激活函数选用relu函数；第六层是拉平层，将提取到的深度特征进行拉平操作，后将拉平的特征转入步骤4.3。
步骤4.3：使用全连接神经网络，对拉平的深度特征进行有监督的回归分析。该步骤共有4层，第一层选用神经元个数为40，激活函数为relu函数；第二层选用神经元个数为20，激活函数为relu函数；第三层选用神经元个数为10，激活函数为relu函数；第四层选用神经元个数为1。该步骤最后一层的神经元的输出即为对关键变量的预测输出值。
本发明相对于现有技术具有以下优势：
本发明专利提出一种协同分摊噪声的噪声削弱方法以及一种基于协同分摊噪声的软测量建模方法。该噪声处理方法具有以下特点，第一点，该操作是利用数据的自身特性进行噪声削弱的；第二点，该操作可用可信度进行协同分摊，可信度高的属性分摊的噪声少，可信度低的属性分摊的噪声多；第三点，该操作的噪声削弱方向可控；第四点，设定强度因子对噪声进行削弱平衡；第五点，对不同类型的噪声均有平衡削弱效果；第六点可保留收集到的所有数据。该建模方法是在协同分摊噪声的基础上，引入回归分析模型进行软测量建模。
附图说明
图1是本发明基于协同分摊噪声操作的回归模型图
图2是本发明协同分摊噪声算法流程图
图3是本发明基于协同分摊噪声的软测量模型流程图
图4是本发明卷积回归阶段模型图
图5是本发明结合工业脱丁烷塔数据指标对比图
图6是本发明结合工业硫回收数据对H2S预测指标对比图
图7是本发明结合工业硫回收数据对SO2预测指标对比图
图8是本发明结合工业蒸汽量数据指标对比图
具体实施方式
下面结合附图对本发明进一步说明。
协同分摊噪声操作主要作用是对数据中的噪声进行削弱，平衡噪声数据与非噪声数据。因此，分摊噪声操作后可接正常的特征提取回归网络模型，例如全连接神经网络、卷积神经网络、循环神经网络等，其模型图如图1所示。
在工业生产过程中，由于环境复杂，设备种类多、数量多，所采集到的数据中含有大量的复杂噪声。该复杂噪声可由数据自身特性进行确定和削弱，不同的属性有不同的可信度，应有不同强度的削弱。具体的协同分摊噪声操作流程如图2所示。该操作的具体数据流是由步骤1得到各属性的可信度，由步骤2得到各数据行及行内各数据的偏置度和偏差，之后转入步骤3对数据噪声进行协同分摊。
本发明为基于协同分摊噪声操作的回归模型实现了一个实例，即本发明实现的基于协同分摊噪声的软测量模型，该模型的流程如图3所示，其中特征提取回归分析阶段的模型流程如图4所示。该模型的卷积回归阶段承接步骤3得到的已协同分摊噪声后的数据，后由步骤4对数据进行深层特征提取及回归预测。
图5、6、7和8是本发明结合3中不同的工业数据进行关键变量的预测时不同的模型指标对比图。其中MAE、MSE和RMSE是三种不同的损失指标，该指标的值越小，表示该模型在预测时的精度越高；R2是模型的决策系数指标，该指标的值越接近1表明该模型的预测性能越好。从图中可以看出协同分摊噪声方法，在模型设定不同削弱强度(RD)值时，损失指标呈现先下降后上升的规律，决策系数指标呈现先上升，后下降的规律，该规律表明协同分摊噪声操作可提升模型的预测性能；本发明实现的实例，即基于协同分摊噪声的软测量模型(CAN-CNN)，在图中依然可体现此规律，且本模型比三种传统模型的损失小，决策系数高，预测能力有明显提高。

Claims (1)

1.一种基于协同分摊噪声的软测量建模方法，其特征在于包括下述步骤：
步骤1：导入数据，并通过步骤1.1、1.2、1.3、1.4分别计算各属性的可信度，之后转入步骤2；令矩阵X表示原始辅助数据矩阵，共有N条数据，M个属性；令具有上标i的属性列Xi表示数据集中第i个属性列，该数据列有N个数据，具有下标j的数据xj表示该数据列中的第j个数据，用
Figure DEST_PATH_DEST_PATH_IMAGE002
表示该数据列的均值；令矩阵Y表示标签关键变量数据，矩阵Y具有N条数据，1个属性，具有下标j的数据yj表示该标签数据列中的第j个数据，用
Figure DEST_PATH_DEST_PATH_IMAGE004
表示该数据列的均值；令CD表示计算得到的可信度矩阵，该矩阵具有1条数据，M个属性，具有上标i的数据CDi表示该矩阵中第i个属性的可信度，步骤1.1、1.2、1.3和1.4详细描述如下：
步骤1.1：对具有M个属性的原始辅助数据矩阵X和具有1个属性的关键变量数据矩阵Y，分别利用公式
Figure FDA0003647651970000011
和公式
Figure FDA0003647651970000012
计算其各属性列的方差，后转入步骤1.2；
步骤1.2：对于各属性数据列Xi和关键变量数据列Y，利用公式
Figure FDA0003647651970000013
计算属性列Xi与关键变量数据列Y之间的协方差，后转入步骤1.3；
步骤1.3：由步骤1.1、1.2计算得来的各属性列的方差以及各属性列Xi和关键变量数据列Y之间的协方差，根据公式
Figure FDA0003647651970000021
计算各属性列Xi与关键变量数据列Y之间的相关性系数，后转入步骤1.4；
步骤1.4：由步骤1.3计算得来的各属性列Xi与关键变量数据列Y之间的相关性系数，对该相关性系数矩阵按照公式
Figure FDA0003647651970000022
进行归一化处理，得到可信度矩阵CD，该矩阵共有1条数据，M个属性，分别代表原始辅助数据矩阵X中各属性列的可信度，后转入步骤2；
步骤2：通过步骤2.1和2.2分别计算每条数据的偏置度向量和偏差矩阵，之后转入步骤3；令矩阵X表示原始辅助数据矩阵，共有N条数据，M个属性；令具有下标j的数据行Xj表示原始数据矩阵中的第j条数据行，用具有上标i和下标j的数据
Figure FDA0003647651970000023
表示原始数据矩阵中的第j条数据的第i个属性数据；令μ表示原始数据矩阵的均值向量，用具有上标i的数据μi表示均值向量μ中的第i个属性数据；令数据向量之间的距离为d；令具有下标j的数据BDj表示原始辅助数据矩阵X中第j条数据的偏置度数据；令具有上标i和下标j的数据
Figure FDA0003647651970000024
表示偏差矩阵中的第j条数据行中的第i个属性的偏差数据，步骤2.1和2.2的详细描述如下：
步骤2.1：对于原始辅助数据矩阵X中的各数据行和样本空间中心点向量μ，利用公式
Figure FDA0003647651970000025
分别计算每条数据与样本中心点向量之间的偏置度，得到偏置度向量BD，后转入步骤2.2；
步骤2.2：对于原始辅助数据矩阵X中的各数据行和样本空间中心点向量μ，利用公式
Figure FDA0003647651970000031
分别计算各数据行各属性列数据与样本中心点数据之间的偏差
Figure FDA0003647651970000032
此操作确定数据的真实偏差以及噪声的削弱方向，后转入步骤3；
步骤3：由步骤1、2计算得来的可信度向量、偏置度向量和偏差矩阵，对原始辅助数据矩阵X进行协同分摊噪声；令矩阵X’表示经过协同分摊噪声操作后的辅助数据矩阵；令具有上标i和下标j的数据
Figure FDA0003647651970000033
表示噪声削弱后的辅助数据矩阵X’中第j个数据行中的第i个属性数据；令RD表示在噪声削弱时的噪声削弱强度因子，步骤3的详细描述如下：
利用公式
Figure FDA0003647651970000034
计算并清理原始辅助数据矩阵X中每个数据的噪声，噪声削弱强度因子RD是由序列[0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1]逐渐增大的；当强度因子为0时，表示未对数据进行协同分摊噪声操作；当强度因子为0到1时，噪声削弱强度逐渐增大，该操作的目标是寻找噪声数据与非噪声数据之间的平衡；设定不同的强度因子RD可得到不同的噪声削弱后的辅助矩阵X’，后转入步骤4；
步骤4：对噪声削弱后的数据进行回归分析，考虑到线性的噪声处理方法和非线性的特征提取方法之间的平衡，模型深度与参数广度之间的平衡，通过步骤4.1、4.2、4.3对数据进行回归分析并输出关键变量的预测值；步骤4.1、4.2和4.3的详细描述如下：
步骤4.1：对选定不同的RD值后得到的辅助数据矩阵X’，将数据进行标准化操作，向矩阵X’中填充数列零值，使辅助数据矩阵X’的形状变化为n*k*k类型，并选定卷积模型的优化器为Adam，损失函数设定为均方误差mse，批处理大小设定为24，总训练批次设定为100次，后转入步骤4.2；
步骤4.2：对以及标准化为n*k*k形状的辅助数据矩阵X’，进行卷积提取特征操作；本步骤一共有6层，第一层是卷积层1，设定卷积核大小为2*2，卷积核个数为70，padding类型为same，激活函数选用relu函数；第二层是BN层，该层可使网络参数的训练更加快速稳定；第三层是卷积层2，设定卷积核大小为2*2，卷积核个数为150，padding类型为same，激活函数选用relu函数；第四层是池化层，选用MaxPool，该层用于削减深度网络中的网络参数；第五层是卷积层3，设定卷积核大小为2*2，卷积核个数为375，padding类型为same，激活函数选用relu函数；第六层是拉平层，将提取到的深度特征进行拉平操作，后将拉平的特征转入步骤4.3；
步骤4.3：使用全连接神经网络，对拉平的深度特征进行有监督的回归分析；该步骤共有4层，第一层选用神经元个数为40，激活函数为relu函数；第二层选用神经元个数为20，激活函数为relu函数；第三层选用神经元个数为10，激活函数为relu函数；第四层选用神经元个数为1；该步骤最后一层的神经元的输出即为对关键变量的预测输出值。
CN202110725639.6A 2021-06-29 2021-06-29 一种基于协同分摊噪声的软测量建模方法 Active CN113468740B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110725639.6A CN113468740B (zh) 2021-06-29 2021-06-29 一种基于协同分摊噪声的软测量建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110725639.6A CN113468740B (zh) 2021-06-29 2021-06-29 一种基于协同分摊噪声的软测量建模方法

Publications (2)

Publication Number Publication Date
CN113468740A CN113468740A (zh) 2021-10-01
CN113468740B true CN113468740B (zh) 2022-06-28

Family

ID=77873720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110725639.6A Active CN113468740B (zh) 2021-06-29 2021-06-29 一种基于协同分摊噪声的软测量建模方法

Country Status (1)

Country Link
CN (1) CN113468740B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056127A (zh) * 2016-04-07 2016-10-26 江南大学 一种带模型更新的gpr在线软测量方法
AU2018101317A4 (en) * 2018-09-07 2018-10-11 Chen, Guoyi Mr A Deep Learning Based System for Animal Species Classification
CN110889085A (zh) * 2019-09-30 2020-03-17 华南师范大学 基于复杂网络多元在线回归的废水智能监控方法及系统
CN110852395B (zh) * 2019-11-15 2023-11-14 鞍钢集团矿业有限公司 一种基于自主学习和深度学习的矿石粒度检测方法和系统
CN113008239B (zh) * 2021-03-01 2023-01-03 哈尔滨工程大学 一种多auv协同定位鲁棒延迟滤波方法
CN112989635B (zh) * 2021-04-22 2022-05-06 昆明理工大学 基于自编码器多样性生成机制的集成学习软测量建模方法

Also Published As

Publication number Publication date
CN113468740A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN110414788B (zh) 一种基于相似日和改进lstm的电能质量预测方法
CN111027772B (zh) 基于pca-dbilstm的多因素短期负荷预测方法
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
EP4032036A1 (en) Quantum bit prediction
CN111784061B (zh) 一种电网工程造价预测模型的训练方法、装置和设备
CN112414715B (zh) 基于混合特征与改进灰度共生算法的轴承故障诊断方法
CN113361803A (zh) 基于生成对抗网络的超短期光伏功率预测方法
Su et al. Generative adversarial networks for gearbox of wind turbine with unbalanced data sets in fault diagnosis
CN115510748A (zh) 基于变分模态分解和cnn-gru的滑坡位移预测方法
CN112001115A (zh) 一种半监督动态软测量网络的软测量建模方法
CN113468740B (zh) 一种基于协同分摊噪声的软测量建模方法
CN116303786B (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
CN117453998A (zh) 基于用户兴趣的深度学习CTR模型—RZTERec的构建方法
Kwong et al. A genetic algorithm based knowledge discovery system for the design of fluid dispensing processes for electronic packaging
CN117076887A (zh) 一种泵站机组运行状态预测和健康评估方法及系统
Guo et al. Data mining and application of ship impact spectrum acceleration based on PNN neural network
CN115761868A (zh) 不确定环境下人脸表情分类的鲁棒自适应更新方法
CN110766144B (zh) 基于多层分解模糊神经网络的原子之间标量耦合常数预测系统
CN115131646A (zh) 基于离散系数的深度网络模型压缩方法
CN114511092A (zh) 一种基于量子线路的图注意力机制实现方法
CN114048837A (zh) 一种基于分布式类脑图的深度神经网络模型加固方法
Jianyi et al. Research on the relationship between Covid-19 epidemic and gold price trend based on Linear Regression Model
Bai et al. Manufacturing quality prediction based on two-step feature learning approach
JP2020154615A (ja) 情報推定装置及び情報推定方法
CN116405368B (zh) 一种高维不平衡数据条件下的网络故障诊断方法、系统

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