[发明专利]基于WGANs数据增强的非线性工业过程建模方法

权利要求书

1.一种基于WGANs数据增强的非线性工业过程建模方法，其特征在于：该方法包含以下步骤：

步骤A、利用拉丁超立方采样方法，采集目标非线性工业过程建模初始数据集；

步骤B、将初始数据集归一化处理，同时将数据划分两部分，分别是建模过程中的训练数据集和测试数据集；

步骤C、用步骤B中的训练数据集训练WGANs，当训练次数达到初始设定阈值时，停止网络训练；

步骤D、利用已经训练好的WGANs模型中的生成器得到生成样本；

步骤E、将生成样本与训练数据集混合后得到增强后的混合数据集。利用混合数据集训练支持向量回归模型，得到非线性工业过程的预测模型；

步骤F、模型验证，若步骤E所得模型在测试集上的预测精度满足实验设定阈值，则建模过程完成；否则，重复步骤D，将新的N组生成样本加入到混合样本中，重新继续SVR模型，直至SVR模型在测试集上的预测精度满足实验设定阈值。

2.根据权利要求1所述的基于WGANs数据增强的非线性工业过程建模方法，其特征在于：所述步骤B包含：将所述步骤A采集的数据集进行预处理，具体步骤如下所示：

1)初始采集数据包含工业过程输出与输入数据，记为：

其中X和x是工业过程输入数据，Y和y是工业过程输出数据，n_ori是初始采集样本总个数；

2)根据公式对采集数据进行归一化处理，记归一化后的数据集为同时根据小样本定义要求，取n_train＜20，将数据集合划分训练集和测试集；

其中，x_i和y_i分别过程的输入和输出，x_min和x_max分别过程运行区间下限和上限，y_min和y_max分别过程输出的下限和上限；S^trian是用来训练WGANs的训练样本集，S^test是用来验证最后预测模型的测试样本集。

3.根据权利要求1所述的基于WGANs数据增强的非线性工业过程建模方法，其特征在于：所述步骤C包含：

输入：训练数据集是工业过程的输入变量，是工业过程的输出变量；高斯噪声服从z～N(0,1)；

输出：生成样本

1)初始化相关参数：θ_d为判别模型参数；θ_g为生成模型参数；每训练一次生成模型，训练判别模型的次数n_critic＝2；自适应矩估计(Adaptive Moment Estimation，Adam)的参数：α＝0.00005,β₁＝0,β₂＝0.7；采样的数量m＝5；裁剪系数c＝0.01；

2)从训练数据中采集m个训练样本从高斯分布中采集m个噪声样本{z₁,z₂,...,z_m}，从生成器模型中获得m个生产样本其中

3)计算判别器损失其中ε～U(0,1)；

4)更新判别器参数，

5)重复步骤2)-步骤4)n_critic次；

6)从高斯分布中采集m个噪声样本{z₁,z₂,...,z_m}，更新生成器参数，

7)重复步骤2)-步骤6)直至模型收敛(训练次数达到Epochs)。

4.根据权利要求1所述的基于WGANs数据增强的非线性工业过程建模方法，其特征在于：

所述步骤D中得到生成样本的方法为：从高斯分布中采集N组噪声样本{z₁,z₂,...,z_N}，将这N组噪声作为生成器的输入，则可以得到对应的N组输出，这N组输出就记住N组生成样本