[发明专利]基于自表示字典对的铝电解槽况识别方法、系统及设备

权利要求书

1.一种基于自表示字典对的铝电解槽况识别方法，其特征在于，包括：

采集多张包含目标铝电解槽内阳极电流的初始图像；

对全部所述初始图像进行预处理操作，得到样本数据矩阵；

根据所述样本数据矩阵建立自表示字典对学习模型，其中，所述自表示字典对学习模型包括初始合成字典、初始解析字典、变量矩阵和初始特征权重矩阵，所述自表示字典对学习模型为：

s.t.e^TD＝e^T,diag(R)＝0,X^TP≥0

其中，第一项为重构误差项，第二项是所述初始解析字典的稀疏约束项，第三项为正则化自表示项，X∈R^d×n为所述样本数据矩阵，d为样本维数，n为样本数，P∈R^d×k和D∈R^d×k分别为所述初始解析字典和所述初始合成字典，k为字典原子数，R∈R^d×d为特征加权矩阵，α和β是用于平衡各项的正参，e^TD＝e^T为对字典原子进行标准化处理的归一化约束，diag(R)＝0为避免特征加权矩阵出现平凡解的约束，X^TP为编码系数；

对所述自表示字典对学习模型进行迭代训练，得到目标解析字典和目标特征权重矩阵；

判断本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值是否小于或等于预设阈值；

若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值小于或等于所述预设阈值，则根据所述目标解析字典和所述目标特征权重矩阵对所述阳极电流进行分类，得到所述目标铝电解槽对应的槽况识别结果；

若本次迭代的自表示字典对学习模型对应的目标函数与上次迭代的自表示字典对学习模型对应的目标函数之间的差值大于所述预设阈值，则继续迭代训练所述自表示字典对学习模型直至所述差值小于或等于所述预设阈值。

2.根据权利要求1所述的方法，其特征在于,所述对全部所述初始图像进行预处理操作，得到样本数据矩阵的步骤，包括：

对全部所述初始图像进行灰度化处理，得到灰度图像；

对全部所述灰度图像进行向量化处理，得到所述样本数据矩阵。

3.根据权利要求1所述的方法，其特征在于,所述根据所述样本数据矩阵建立自表示字典对学习模型的步骤之后，所述方法还包括：

初始化所述初始合成字典、所述初始解析字典、所述变量矩阵和所述初始特征权重矩阵后，进行归一化处理。

4.根据权利要求3所述的方法，其特征在于,所述对所述自表示字典对学习模型进行迭代训练，得到目标解析字典和目标特征权重矩阵的步骤，包括：

依次更新所述初始解析字典、所述变量矩阵、所述初始合成字典和所述初始特征权重矩阵，得到所述目标解析字典和所述目标特征权重矩阵。

5.根据权利要求1所述的方法，其特征在于,所述根据所述目标解析字典和所述目标特征权重矩阵对所述阳极电流进行分类，得到所述目标铝电解槽对应的槽况识别结果的步骤，包括：

根据所述目标解析字典和所述目标特征权重矩阵计算指示向量；

根据所述指示向量从全部初始图像中选取多个阳极电流特征形成目标数据集；

将所述目标数据集输入预设分类器进行训练，得到所述槽况识别结果。