申请/专利权人：江南大学

申请日：2021-11-01

公开（公告）日：2024-04-16

公开（公告）号：CN113988311B

主分类号：G06N20/00

分类号：G06N20/00;G06Q10/0639

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.02.18#实质审查的生效;2022.01.28#公开

摘要：本申请关于一种质量变量的预测方法、装置、终端及存储介质，涉及复杂工业过程建模和故障诊断领域。该方法包括：获取待测数据集；将待测数据集划分为训练集和测试集；基于数据组划分规则将训练集中的至少两个训练数据组划分为样本训练数据组和测试训练数据组；获取与训练数据组对应的样本质量变量数值；基于样本训练数据组与测试训练数据组建立质量变量预测模型；对质量变量预测模型以主动学习的训练方式进行训练；响应于训练完成，输出与待测数据组对应的预测质量变量数值。通过至少两次的数据组划分规则进行样本集的确定，并对应进行机器学习模型的构建，使对于质量变量进行预测的过程中，质量变量的预测结果更加准确。

主权项：1.一种质量变量的预测方法，其特征在于，所述方法应用于计算机设备中，所述方法包括：获取待测数据集，所述待测数据集中包括至少三组待测数据组，所述至少三组待测数据组用于指示化工过程中的互不重复的至少三个时间段内的工况数据；将所述待测数据集划分为训练集和测试集，所述测试集中包括至少一个测试数据组，所述训练集中包括至少两个训练数据组；基于数据组划分规则将所述训练集中的至少两个训练数据组划分为样本训练数据组和测试训练数据组，所述划分规则包括依次的随机选取规则以及双层优选规则；获取与所述训练数据组对应的样本质量变量数值，并通过所述样本质量数值变量对所述样本训练数据组进行标注；基于所述样本训练数据组与所述测试训练数据组建立质量变量预测模型，所述质量变量预测模型为高斯过程回归模型；通过所述样本训练数据组与所述测试训练数据组，对所述质量变量预测模型以主动学习的训练方式进行训练；响应于训练完成，将所述待测数据组输入所述质量变量预测模型，输出与所述待测数据组对应的预测质量变量数值；所述双层选取规则包括首层选取规则以及次层选取规则；基于数据组划分规则将所述训练集中的至少两个训练数据组划分为样本训练数据组和测试训练数据组，包括：基于所述随机选取规则，确定初选样本训练数据组以及初选测试训练数据组；基于所述首层选取规则，从所述初选测试训练数据组中选取首层训练数据组；响应于所述首层训练数据组的选取完成，基于所述次层选取规则，从所述初选测试训练数据组中选取次层训练数据组；基于所述初选测试训练数据组、所述首层训练数据组以及所述次层训练数据组确定所述样本训练数据组和所述测试训练数据组；所述基于所述首层选取规则从所述初选测试训练数据组中选取首层训练数据组，包括：基于所述初选样本训练组构建第一不确定性确定模型和第二不确定性确定模型，所述第一不确定性确定模型与所述第二不确定性确定模型均为高斯过程回归模型；将所述初选测试训练数据组输入分别输入所述第一不确定性确定模型和所述第二不确定性确定模型，得到第一不确定性预测值以及第二不确定性预测值；基于所述第一不确定性预测值以及所述第二不确定性预测值确定所述初选测试训练数据组的不确定性权值；基于所述初选样本训练组构建差异性模型；基于所述差异性模型确定所述初选测试训练数据组的差异性权值；基于所述初选测试训练数据组构建代表性模型；基于所述代表性模型确定所述初选测试训练数据组的代表性权值；基于所述不确定性权值、所述差异性权值以及所述代表性权值确定首层选取评价权值；响应于所述初选测试训练数据组的权值达到所述首层选取评价权值，确定所述初选测试训练数据组为所述首层训练数据组；所述响应于所述首层训练数据组的选取完成，基于所述次层选取规则，从所述初选测试训练数据组中选取次层测试训练数据组，包括：选取所述首层评价权值最大的所述初选测试训练数据组作为对照测试训练数据组，其余初选测试训练数据组作为候选测试训练数据组；通过所述对照测试训练数据组与所述候选测试训练数据组构建一维求值数组；基于所述一维求值数组的输出值，从所述初选测试训练数据组中选取次层测试训练数据组。

全文数据：

权利要求：

百度查询： 江南大学 质量变量的预测方法、装置、终端及存储介质

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD