[发明专利]基于混合深度神经网络的回转窑烧结温度预测方法

权利要求书

1.基于混合深度神经网络的回转窑烧结温度预测方法，其特征在于，包括：

步骤S1，从多个热工数据中选取出8个热工变量，采集间隔为1分钟，并进行预处理；

步骤S2，对预处理后的多维原始变量数据进行PCA分析，并从中选取出最优热工变量作为模型输入；

步骤S3，对各变量数据标准化处理；

步骤S4，通过采集到的多个样本数据选取相应时间间隔内变量数据得到样本数据集合，分成75％的训练数据集，20％的预测数据集，5％的验证数据集；

步骤S5，利用训练数据集训练深度神经网络得到相应的权重与偏置，将得到的权重与偏置带入验证数据集，然后计算出验证数据集的预测误差，并保存使训练集预测误差最小的权重和偏置；

步骤S6，将步骤S5中使训练集预测误差最小的权重和偏置带入预测数据集中，计算得到预测值；

所述步骤S5为：

步骤S5.1，确定神经网络反向传播的误差阈值ε并设置超参数；设置初始化迭代次数I＝0，最大迭代次数为IMAX；随机初始化各网络层权重矩阵w和偏差β；

步骤S5.2，对输入的二维矩阵Xy＝[[X(t),...,X(t-τ)],[y(t),...y(t-τ)]]进行二维卷积计算：

其中，为二维卷积运算得到的时空耦合特征，*表示卷积运算，并且是第N个过滤器的权重，大小为j×(n+1)，j为卷积核的长，n为PCA选取的变量个数，β^N是卷积层的偏差，ReLU函数是ReLU(x)＝max(0,x)，在忽略边界填充的情况下，二维CNN的输出大小为1×l，其中为输出向量的长度，s为步长；

同时，历史烧结温度Y＝{y(t),...y(t-τ)}作为GRU层输入挖掘回转窑的非线性动态特征H^y，GRU单元在t时刻的最后隐藏状态计算为：

其中w_r、v_r是复位门r_t的权重矩阵，β_r是其偏差向量；w_z、v_z是更新门z_t的权重矩阵，β_z是其偏差向量；v_h和w_h是公式(4)的权重矩阵，β_h是其偏差向量；tanh是一个双曲正切函数，⊙是按元素乘法，σ(x)函数是e是自然常数；

公式(2)和(3)为复位门r_t和更新门z_t的操作，在获得当前时刻的输出Y_t和前一时间步长的隐藏状态之后，更新或重置的可能性由σ(x)函数确定；

公式(4)，同时步的当前数据Y_t和复位门r_t选择的部分过去的隐藏状态通过非线性变化确定新的存储内容

公式(5)，更新门z_t通过过滤新的存储器内容和前一时间步长的隐藏状态，形成当前的动态耦合信息

步骤S5.3，对提取到的耦合特征进一步一维卷积压缩：

K表示一维卷积层中滤波器的个数，w^K和β^K是一维卷积过程的权重矩阵和偏差向量，H^K为输出的深度时空耦合特征；

步骤S5.4，通过两层卷积层计算得到的耦合特征被进一步挖掘动态特征，在GRU单元被计算为：

H_t指当前时刻的深度时空耦合特征，为上一时刻GRU单元的输出；

步骤S5.5，利用全连接层进一步挖掘经过GRU层计算得到的动态耦合特征H^Xy的非线性信息：

D^Xy＝f(w_XyH^Xy+β_Xy) (11)

其中w_Xy和β_Xy分别是权重矩阵和偏差；

步骤S5.6，利用全连接层加权融合动态耦合特征H^Xy和非线性动态特征H^y：

其中表示模型的最终预测；w_D、w_y表示转换矩阵，β_Fc表示偏差值，f是非线性激活函数；

步骤S5.7，利用均方误差损失函数Loss用于模型训练中的优化，计算预测偏差：

其中F是训练样本长度；

步骤S5.8，使用Adam优化算法寻找网络误差对每个权重参数的反向传播梯度，并通过参数更新过程获得新的权重和偏置，增加迭代次数I＝I+1，将新的权重和偏置带入训练集，通过计算公式(1)-(12)得到训练集的预测偏差，保存使训练集预测误差最小的权重和偏置；

步骤S5.9，当Loss＞ε或I≤IMAX时，返回步骤S5.1。