[发明专利]基于深度神经网络的空调机参数回归优化方法

权利要求书

1.一种基于深度神经网络的空调机参数回归优化方法，其特征在于，包括如下步骤：

步骤S1、数据采集：通过采集铂电阻温度传感器和主控板获得各种的检测量，得到系统的运行时的样本数据；

步骤S2、数据预处理：对得到的数据依次进行去除异常数据、去噪、归一化、降维和数据向量化处理，获取预处理后的训练样本数据；

步骤S3、特征选择：引入专家知识和实践经验将影响空调机器性能cop的监测数据从预处理后的训练样本数据中抽取出来作为神经网络的输入；

步骤S4、模型训练：选择ResNet-152的特征提取层作为骨干网络，用于特征提取，用二叉决策模型对骨干网络提取的特征进行回归预测；

步骤S5、实时数据分析：实时采集数据经过预处理和特征选择后，输入建立好的模型，得到一组高维的抽象特征，并将这组抽象特征作为回归树的输入，回归树的输出即为数据分析结果；

步骤S6、自学习：每次实时产生的监测数据作为新的训练集帮助神经网络自我适应和完善；

其中，所述步骤S2中，对于得到的样本数据，当一组样本数据中的一个数据丢失时，需要根据数据量的不同分情况处理：

当丢失的数据属于类别属性时，则对该组数据做独热编码，即给该组数据添加一个确实类别；

当丢失的数据属于数值类型且同类别的数据少于三条时，则实用类似数据的平均值或者众数来代替丢失的数据；

当丢失的数据属于数值类型且同类别的数据多于三条时，则删除该组数据。

2.根据权利要求1所述的一种基于深度神经网络的空调机参数回归优化方法，其特征在于，所述步骤S1中，系统通过实时获取采集铂电阻温度传感器和主控板采集获得各种的检测量，作为系统运行时的样本数据，也可以通过数据库获得不同机器的历史检测量作为样本数据；所述样本数据用于神经网络的训练。

3.根据权利要求1所述的一种基于深度神经网络的空调机参数回归优化方法，其特征在于，所述步骤S2中，归一化处理用于将数据集中数值列的值映射到一个共同的尺度；所述归一化处理方法如下：

(1)Z归一化处理：

(2)最大最小归一化处理：

(3)单位向量归一化处理：

式中，X表示数据集的矩阵，其大小为[m,n]时，表示有m条数据，n表示数据的维度。

4.根据权利要求1所述的一种基于深度神经网络的空调机参数回归优化方法，其特征在于，所述步骤S2中，采用时主成分降维，其步骤如下：

设有(m×n)的数据X，则：

步骤S21：将原始数据按列组成n行m列的矩阵X；

步骤S22：将X的每一行进行零均值化，即减去这一行的均值；

步骤S23：求出协方差矩阵

步骤S24：求出协方差矩阵的特征值及对应的特征向量；

步骤S25：将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；

步骤S26：Y＝PX，即为降维到k维后的数据。

5.根据权利要求1所述的一种基于深度神经网络的空调机参数回归优化方法，其特征在于，所述步骤S4中，使用最小二乘回归树生成算法来构建二叉决策模型，在训练数据集所在的输入空间中，递归地将每个区域划分为两个子区域并决定每个子区域的输出值，构建二叉决策树的步骤如下：

步骤S41选择最优分变量j和切分点s，求解公式：

式中，遍历变量j，对和固定的切分变量j扫描切分点s，选择使上式达到最小的值的对(j,s)，R₁和R₂表示回归树对应着输入空间的一个划分；c₁和c₂是每个划分的输出，y_i是原始数据中的y的一个分量；

步骤S42：用选定的对(j,s)划分区域并决定相应的输出值：

式中，s表示第j个变量；R₁和R₂是通过j和s划分出的区域；表示R_m上所有输入实例x_i对应的输出y_i的均值；

步骤S43：继续对两个子区域调用步骤S41和步骤S42，直至满足停止条件；

步骤S44：将输入空间划分为M个子区域R₁、R₂，R₃，...，R_M，生成决策树f(x)：

I为示性函数。