[发明专利]机理与数据混合驱动的生成式对抗网络软测量建模方法

权利要求书

1.机理与数据混合驱动的生成式对抗网络软测量建模方法，其特征在于，包括以下步骤：

步骤1，从辅助变量中采样得到数据q，从随机噪声中采样得到数据z，将q和z输入由机理模型和数据驱动误差补偿模型组成的待辨识的生成器中，得到生成样本

所述的步骤1，具体做法是：

步骤1.1，机理驱动模型的输入为数据q，将数据q和数据z输入向量合并函数并在横向上进行合并，所得到的向量i作为数据驱动误差补偿模型的输入；

步骤1.2，计算数据驱动误差补偿模型的输出o，同时计算出机理驱动模型的输出y，o与y相加后得到生成样本其中将数据驱动误差补偿模型设计为一个深度门控循环单元，该深度门控循环单元由输入层、隐藏层和输出层三部分构成，输入层和输出层的层数均为1，且输出层设置为一个全连接层，隐藏层均由门控循环单元构成，隐藏层的层数用l表示，则输出o的计算公式如下：

r_t＝σ(W_ri_t+U_rh_t-1)(1)

z_t＝σ(W_zi_t+U_zh_t-1)(2)

其中通过式(1)-(4)的计算，能够得到t时刻第一个隐藏层的输出值式中，W_r、U_r、W_z、U_z、W_i、U_i为待训练的权值矩阵，i_t表示当前时间步的输入，h_t-1表示上一时间步的隐藏状态，表示矩阵元素相乘，然后，时间步t的隐藏状态h_t¹的计算使用当前时间步的更新门z_t来对h_t-1和做线性计算得到，将该值作为第二个隐藏层的输入，依次类推，最终得到t时刻第l个隐藏层的值并将其传递给输出层进行输出层的计算，式(5)-(6)为DGRU的前向传播计算过程，GRU(·)代表了式(1)-(4)的计算过程，o_t表示t时刻输出单元的值，V表示输出层的权重矩阵，g是输出层的激活函数，σ为激活函数，h_t为当前时间步t的隐藏状态，r_t为当前时间步t的重置门，z_t为当前时间步t的更新门，为当前时间步t的候选隐藏状态；

步骤2，将生成样本和真实样本x输入判别器，将得到的损失反向传播，得到最优的生成器参数；

所述的步骤2，具体做法是：

步骤2.1，基于生成式对抗网络的混合驱动软测量模型的训练目标计算式如下：

其中式(7)中，式中P_penalty表示惩罚样本的空间分布，P_r表示真实样本x的空间分布，P_g表示生成样本的空间分布，λ表示惩罚系数，D和G分别表示生成式对抗网络的判别器和生成器，自P_r和P_g的采样点对之间的直线上均匀采样，在实际操作中，实施约束的软版本，即对随机样本的梯度范数进行了惩罚，DDM2即表示数据驱动模型2，设计为一个隐藏层单元数为32-16的双隐层BP神经网络，网络结构由交叉验证方法确定；

步骤2.2，训练过程使用RMSprop优化算法，该算法在小批量梯度下降算法的基础上，对学习速率进行自适应调节，已被验证适合于循环神经网络和生成式对抗网络的训练；当整个模型收敛时，就得到了最优的生成器参数，且该生成器部分就是离线建立的软测量模型，用其来进行转子热变形的在线预测；

步骤3，将最优的生成器取出作为训练好的软测量模型，使用操纵潜变量的方法分析模型的可解释性。

2.根据权利要求1所述的机理与数据混合驱动的生成式对抗网络软测量建模方法，其特征在于，所述的步骤3，具体做法为：

步骤3.1，将数据q和数据z的测试数据输入训练好的软测量模型中，得到预测结果将相同的q和z中的q赋值为0并输入训练好的软测量模型中，得到预测结果将相同的q和z中的z赋值为0并输入训练好的软测量模型中，得到预测结果

步骤3.2，基于预测性能评价指标，观察得到的预测结果和相较于会发生何种变化，推测系统做出决策的依据，得到具有可解释性的结果。