[发明专利]一种基于深度特征识别的甘蔗压榨过程预测方法

权利要求书

1.一种基于深度特征识别的甘蔗压榨过程预测方法，其特征在于，包括如下步骤：

步骤一，从现场设备上采集若干组原始数据，每组原始数据包括蔗刀机的电流负荷、一级带电流负荷和转速、二级带电流负荷和转速、压榨机电流负荷和转速、输送带上料位实际值和目标值、渗透水流量和渗透水对蔗比这些指标的现场检测数据；

步骤二，对步骤一中采集到的每个指标的所有原始数据进行剔除异常数据，对处理后的数据进行尺度变化以得到规范化数据；

步骤三，对步骤二中得到的每个指标的所有的规范化数据，基于互信息进行多级筛选，得到与能耗和抽出率相关度大且冗余度低的特征向量；

步骤四，采用混合鸡群算法从步骤三筛选得到的特征向量候选集中搜索不同特征组合和模型参数对单一数据驱动模型的作用效果，得到单一模型最优性能下的参数变量、能耗和抽出率；

步骤五，以步骤四中得到的单一模型最优性能下的参数变量为输入，以能耗和抽出率为输出，建立第一层确定性预测输出；

步骤六，采用贝叶斯平均模型在各个单一模型的预测结果的基础上集成学习，建立多模型组合模型，实现对抽出率和能耗的确定性预测和概率性预测；

其中，在步骤二中，对处理后的数据进行尺度变化，按照将各项数据缩放到[-1,1]的区间内以得到规范化数据；

其中，步骤三中多级筛选的步骤为：定义特征与预测目标的相关度和各特征之间的冗余度，按照相关度从高到低将规范化数据划分为三个子集R1、R2和R3，按照主成分分析中常用的累计贡献度指标的大小，将R2划分为两部分r1和r2；将r2相关度最大值对应的特征添加至r1，计算r1中特征与R3子集的冗余度，删除冗余度最大值所对应的特征，重复上述操作，直至r2为空集，将筛选后的子集R1和r1作为多级筛选的结果；

其中，步骤三定义特征与预测目标的相关度和各特征之间的冗余度的方法为：基于信息熵理论定义特征f_i与预测目标y_k的互信息：

公式中，f_ij为第i个样本的第j个特征，y_k为第k个目标输出，n和s表示整个数据集中样本、特征和预测目标的个数,p(f_ij)表示数据f_ij在数据集X中出现的概率,p(f_ij,y_k)表示数据f_ij和y_k在数据集X中同时出现的概率，在上式的基础上，特征f_j和输出目标y_k的相关度可定义为：

公式中，Max表示所有特征与输出目标的互信息最大值；

任意两个特征f_j1和特征f_j2之间的互信息可表示为：

则特征f_i与数据集X中其他特征f之间的冗余度计算公式为：

其中，在步骤四中，在混合鸡群算法的初始化条件中引入主成分分析方法，对步骤三获取得到的子集进行主成分分析，获取贡献度大于85％的初始变量约束n，随机选取n个特征作为数据驱动模型的输入，将其相应的粒子位置置1实施二进制编码；

其中，在步骤五中，在建立第一层确定性预测输出时，有机地结合深度神经网络和浅层神经网络，所选的数据驱动模型包括孪生支持向量机、核极限学习机和深度核极限学习机。

2.按照权利要求1所述的甘蔗压榨过程预测方法，其特征在于：步骤三中，以累计贡献度指标0.85为阙值，将R2划分为两部分r1和r2。