[发明专利]一种基于PCA-DBN的热连轧数据特征提取方法

权利要求书

1.一种基于PCA-DBN的热连轧数据特征提取方法，其特征在于，包括以下几个步骤：

步骤一、将热连轧生产过程中产生的大量数据作为原始数据集；

原始数据集中包括若干特征；每个特征包括若干样本；

步骤二、采用最小-最大归一化方法将原始数据进行线性变换处理，得到规范化数据集SO；

针对特征A中的每个样本x，通过最小-最大标准化映射成在区间(0，1)中的值x′，公式为：

A_min表示特征A的所有样本中的最小样本值；A_max表示特征A的所有样本中的最大样本值；

将每个特征中的所有样本进行标准化映射后的数据集合，组合成规范化数据集SO；

步骤三、通过主成分分析PCA技术对规范化数据集SO进行特征降维，得到特征子集F1；

步骤四、对特征子集F1中的数据采用KMO(Kaiser-Meyer-Olkin)检验法进行相关性检验；并判断KMO检验结果是否大于0.7，如果是，进入步骤五，否则，特征子集F1中的数据不合格，结束算法；

步骤五、采用深度置信DBN网络对特征子集F1进行二次特征提取，得到特征数据集F2，作为最终的提取特征；

具体过程如下：

首先对特征子集F1进行数据分组，组成训练集和测试集；

然后，搭建DBN网络，并利用训练集进行训练，利用测试集进行测试；

最后，将测试集输入训练好的DBN网络中，第二隐层输出作为新特征数据集F2。

2.如权利要求1所述的一种基于PCA-DBN的热连轧数据特征提取方法，其特征在于，步骤三中所述的特征子集F1的元素为规范化数据集SO中对方差贡献最大的数据。

3.如权利要求1所述的一种基于PCA-DBN的热连轧数据特征提取方法，其特征在于，步骤五中所述的搭建DBN网络采用：先无监督粗调DBN网络，训练DBN网络权值；再用BP神经元算法有监督精调训练完整神经元网络完成。