[发明专利]面向工业大数据的并行学习软测量建模方法

权利要求书

1.一种面向工业大数据的并行学习软测量建模方法，其特征在于，包括如下步骤：

S20，将样本数据划分为M块训练集，采用点增量算法与块增量算法相结合的随机配置网络并行学习策略，针对所述M块训练集同步建立并求取满足监督机制的候选隐层节点池，其中所述监督机制包括点增量监督机制和块增量监督机制，所述候选隐层节点池包括候选隐层单节点池和候选隐层块节点池；

S30，在候选隐层节点池中基于残差最速下降原则选取最佳候选节点作为隐层增长节点添加到当前网络；

S40，若当前网络的模型参数达到停止标准，则根据对应的模型参数确定软测量模型；

S50，若当前网络的模型参数未达到停止标准，则根据当前隐层节点数更新下一次迭代中样本数据的分块数M，返回执行步骤S20，直至当前网络的模型参数达到停止标准，根据达到停止标准时的模型参数确定所述软测量模型；

所述并行学习策略中采用点增量算法针对M块训练集同步建立并求取满足点增量监督机制的候选隐层单节点池包括：

根据随机参数的分配区间集合确定点增量分配区间，在所述点增量分配区间内进行T_max次随机生成点增量隐层参数；T_max表示隐层参数随机生成次数；

依据点增量监督机制，针对全体训练集分别对各次点增量隐层参数进行筛选，获得满足点增量监督机制的多个点增量隐层参数，根据各个点增量隐层参数构建候选隐层单节点池；

在所述候选隐层单节点池中确定最佳候选隐层单节点；

所述点增量监督机制包括：

式中，q＝1,2,…,m，m表示各训练集输出的维数，p＝1,2,…,M，M表示训练集的块数，r表示学习参数，μ_L＝1-r/L+1，L表示当前隐层节点数，e_L-1,q表示当前隐层节点数为L-1时各训练集第q个输出对应的残差，符号·,·表示向量的内积，g_p,L表示当前隐层节点数为L时第p个数据块的隐层输出，ξ_L,q表示当前隐层节点数为L时各训练集第q个输出对应的监督机制；

在所述候选隐层单节点池中确定最佳候选隐层单节点包括：

根据点增量监督机制计算全体训练集对应的点增量辅助参数ξ_L；所述点增量辅助参数的计算公式为：

在所述候选隐层单节点池中，将所述点增量辅助参数ξ_L取得最大值时全体训练集对应的隐层节点确定为最佳候选隐层单节点；

所述并行学习策略中采用块增量算法针对M块训练集同步建立并求取满足块增量监督机制的候选隐层块节点池包括：

根据随机参数的分配区间集合确定块增量分配区间，在所述块增量分配区间内进行T_max次随机生成块增量隐层参数；T_max表示隐层参数随机生成次数；

依据块增量监督机制，针对全体训练集分别对各次块增量隐层参数进行筛选，获得满足块增量监督机制的多个块增量隐层参数，根据各块增量隐层参数构建候选隐层块节点池；

在所述候选隐层块节点池中确定最佳候选隐层块节点；

所述块增量监督机制包括：

式中，q＝1,2,...,m，m表示各训练集输出的维数，表示在第k次迭代时第p个数据块对应的隐层输出块，g_p,L表示当前隐层节点数为L时第p个数据块的隐层输出，p＝1,2,...,M，M表示训练集的块数，表示在第k次迭代时各训练集第q个输出对应的输出权值的中值，上标表示广义逆运算，上标“T”表示转置运算，r表示学习参数，μ_L＝1-r/L+1，L表示当前隐层节点数，表示当前隐层节点数为L-Δ_k时各训练集第q个输出对应的残差，符号·,·表示向量的内积，表示在第k次迭代时各训练集第q个输出对应的监督机制；

在所述候选隐层块节点池中确定最佳候选隐层块节点包括：

根据块增量监督机制计算全体训练集对应的块增量辅助参数所述块增量辅助参数的计算公式为：

在所述候选隐层块节点池中，将所述块增量辅助参数取得最大值时全体训练集对应的隐层节点确定为最佳候选隐层块节点。