申请/专利权人:上海大学
申请日:2023-11-30
公开(公告)日:2024-03-01
公开(公告)号:CN117637055A
主分类号:G16C20/20
分类号:G16C20/20;G16C20/70;G06F18/2321;G06N3/0442;G06N3/048;G06N3/049;G06N3/084;G01N33/24
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.03.19#实质审查的生效;2024.03.01#公开
摘要:本发明涉及一种基于DBSCAN‑PF‑LSTM的多组分矿石含量的软测量方法,包括以下步骤:提取待测量的多组分矿石含量的历史化验数据,建立多维数据序列;采用DBSCAN模型识别所述多维数据序列中的正常数据和异常数据,计算所述异常数据的前多次历史化验数据的平均值,将所述平均值替换所述异常数据,得到第二历史化验数据;采用粒子滤波器对所述第二历史化验数据进行过滤,得到第三历史化验数据;构建、训练LSTM神经网络模型,经过设定的训练次数,得到LSTM神经网络模型;将待测量的多组分矿石含量数据依次经过步骤1——步骤4处理,得到多组分矿石含量的预测结果。与现有技术相比,本发明能够有效地识别和处理数据中的异常点,并改善模型的精度和鲁棒性,提高预测多组分矿石含量的准确性等优点。
主权项:1.一种基于DBSCAN-PF-LSTM的多组分矿石含量的软测量方法,其特征在于,包括以下步骤:步骤S1、提取多组分矿石含量的历史化验数据,根据所述历史化验数据,建立多维数据序列;步骤S2、采用DBSCAN模型识别所述多维数据序列中的正常数据和异常数据,计算所述异常数据的前多次历史化验数据的平均值,将所述平均值替换所述异常数据,得到第二历史化验数据;步骤S3、采用粒子滤波器对所述第二历史化验数据进行过滤,得到第三历史化验数据;步骤S4、构建LSTM神经网络模型,将第三历史化验数据作为所述LSTM神经网络模型的训练数据集,将所述训练数据集输入所述LSTM神经网络模型进行训练,经过设定的训练次数,得到LSTM神经网络模型;步骤S5、将待测量的多组分矿石含量数据依次经过步骤1——步骤4处理,通过所述LSTM神经网络模型得到多组分矿石含量的预测结果。
全文数据:
权利要求:
百度查询: 上海大学 一种基于DBSCAN-PF-LSTM的多组分矿石含量的软测量方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。