[发明专利]基于多尺度注意力机制的材料去除状态预测方法

权利要求书

1.一种基于多尺度注意力机制的材料去除状态预测方法，其特征在于：包括如下步骤：

S1.采集加工材料的位移数据，并确定加工材料的去除状态；

S2.对加工材料的位移数据进行预处理，得到处理后的位移数据；所述预处理依次包括一阶差分处理、标准化处理以及数据扩增处理；

S3.构建基于多尺度注意力机制的神经网络模型；

S4.设置网络训练参数，并使用处理后的位移数据对所述神经网络模型进行网络训练，得到训练后的网络模型；

S5.将待测加工材料的位移数据输入到训练后的网络模型，输出所述待测加工材料的去除状态。

2.根据权利要求1所述的基于多尺度注意力机制的材料去除状态预测方法，其特征在于：根据如下公式对加工材料的位移数据进行一阶差分处理：

其中，y′_i为时间序列上第i个位移数据点，y′_i+1为时间序列上第i+1个位移数据点，y_i为相邻时间序列上位移数据点之间的差值，n＝len(y′)-1，所述len(y′)为位移数据y′在时间序列上的位移数据点总数，y为一阶差分处理后的位移数据。

3.根据权利要求2所述的基于多尺度注意力机制的材料去除状态预测方法，其特征在于：根据如下公式对加工材料的位移数据进行标准化处理：

其中，μ为所述数据y_i的均值，σ为所述数据y_i的标准差，x_i为所述数据y_i的标准化值，x为标准化值的集合。

4.根据权利要求3所述的基于多尺度注意力机制的材料去除状态预测方法，其特征在于：采用滑动窗口的方式对标准化后的位移数据进行数据扩增处理，得到扩增后的位移数据。

5.根据权利要求1所述的基于多尺度注意力机制的材料去除状态预测方法，其特征在于：所述神经网络模型包括依次连接的去噪层、多尺度特征提取层、注意力层以及分类层；

所述去噪层用于对处理后的位移数据进行降噪和特征预提取，得到去噪后的位移数据；

所述多尺度特征提取层用于对去噪后的位移数据进行多尺度特征提取，得到特征提取后的位移数据；

所述注意力层用于对特征提取后的位移数据进行特征加权处理，得到特征加权后的位移数据；

所述分类层用于对特征加权后的位移数据进行分类，得到位移数据的分类结果。

6.根据权利要求5所述的基于多尺度注意力机制的材料去除状态预测方法，其特征在于：所述去噪层包括一维CNN网络；所述CNN网络包括卷积层以及平均池化层。

7.根据权利要求5所述的基于多尺度注意力机制的材料去除状态预测方法，其特征在于：所述多尺度特征提取层包括一维卷积层以及三个平行的一维卷积层。

8.根据权利要求5所述的基于多尺度注意力机制的材料去除状态预测方法，其特征在于：所述注意力层包括一维CNN网络以及一个SENet网络。

9.根据权利要求5所述的基于多尺度注意力机制的材料去除状态预测方法，其特征在于：所述分类层包括一个全连接神经网络层。

10.根据权利要求1所述的基于多尺度注意力机制的材料去除状态预测方法，其特征在于：通过k折交叉验证的方式将处理后的位移数据划分为训练集与测试集，并将所述训练集与测试集输入到神经网络模型进行网络训练。