[发明专利]一种基于无监督和有监督学习的水泥游离钙软测量方法

权利要求书

1.一种基于无监督和有监督学习的水泥游离钙软测量方法,其特征在于，包括以下步骤：

步骤1：通过分析水泥工艺选取10个变量作为熟料fCaO软测量的输入变量，每个变量的时间序列作为模型输入，并对所选的每个变量时间序列进行异常值处理和归一化处理；所述10个变量包括分解炉喂煤量反馈、高温风机转速反馈、分解炉出口温度、二室篦下压力反馈、EP风机转速、喂料量1反馈、窑头负压、二次风温反馈、窑电流、窑尾温度；

步骤2：利用步骤1中选取的输入变量，构建无监督和有监督学习相结合的预测模型，构建栈式稀疏自编码器,采用多隐层网络结构,采用稀疏自编码提取数据特征,确定初始参数，初始参数包括网络层数、隐层节点数、学习率、稀疏惩罚项系数、稀疏性系数；对每个稀疏自编码采用逐层贪婪训练方式进行无监督的前向训练，即从底到上逐层训练每层神经网络，每次只更新一个自编码的参数，确定深度网络每层的初始权重w和偏置b；其中构建栈式稀疏自编码器具体包括以下步骤：

(1)栈式SC-AE输入层

设x为栈式SC-AE的输入，其包含所选10变量的时间序列，可表示为：

x＝(x₁,x₂,...x₁₀) (1)

每个变量时间序列包含t个采样点：

x_i＝(x_i(1),x_i(2)...x_i(t)) (2)

式中，x_i(i＝1,2,...10)为第i个变量的时间序列；

(2)SC-AE编码层和解码层

若第l层为编码层，则该层输入x^l-1和输出x^l+1与l层的表达式为式(3)(4)：

x^l＝f(x^l-1w^l+b^l) (3)

x^l+1＝f(x^l(w^l)^T+b^l+1) (4)

式中，x^l-1代表编码层输入的特征向量，x^l+1代表编码层输出特征向量，w^l表示编码层与输入层之间的权值，(w^l)^T编码层与输出层之间的权值，b^l，b^l+1表示输出特征向量对应的偏置；式中f(.)为激活函数；本SC-AE模型中采用ReLU函数作为激活函数，其表达式如式(5)：

f(x)＝max(0,x) (5)；

(3)栈式SC-AE

将每个SC-AE的解码层剔除，将编码层堆叠在一起构成深层网络，预测输出层的输入是第三个SAE的编码层，表示为：

y＝wh₃+b (6)

式中，y代表预测输出层，w代表输出层与第三隐层之间的权值，h₃代表第三个SAE的编码层，b表示输出对应的偏置；

栈式稀疏自编器在设计上加入了稀疏性限制，每一个稀疏自编码的损失函数表示为：

其中，上式第一项是最小二乘损失函数，第二项是正则化项，第三项是稀疏项；n为隐层神经元个数，m为输入层神经元个数，ρ为稀疏性参数，是一个接近与0的较小值，λ为正则化系数，其中KL对比散度表示为：

式是一个ρ为均值和一个以为均值的两个伯努利随机变量之间的相对熵，β控制稀疏性惩罚因子的权重；利用梯度下降法极小化损失函数，使得重构误差最小，从而调节w,b,如下式所示：

步骤3：将稀疏自编码的解码层去除，编码层堆叠形成深层网络结构，单个稀疏自编码采用无监督的方法学习数据特征,利用步骤2中确定的初始参数去初始化深层网络参数，结合有监督BP反向误差修正算法进一步优化参数初始权重w和偏置b，以完成有监督部分的训练；

步骤4：利用步骤3中训练好的无监督和有监督学习相结合的预测模型进行水泥熟料fCaO实时预测。

2.根据权利要求1所述的基于无监督和有监督学习的水泥游离钙软测量方法，其特征在于：在步骤1中，所述输入变量从相应的DCS系统中采集样本数据集，样本数据集包括有标签和无标签的训练数据集、预测数据集，对输入变量的样本数据进行统一最大最小归一化处理；采用3σ原则进行异常值剔除。