[发明专利]一种基于Lasso-CCF-CNN的加氢裂化模型及建立方法

摘要

本发明提供一种基于Lasso‑CCF‑CNN的加氢裂化模型及建立方法，包括：利用三倍标准差检验法剔除原始数据中的异常值及使用minmax标准化对数据进行归一化处理以消除不同量纲带来的影响；使用Lasso法建立回归模型筛选出最重要的变量；利用CCF对已筛选出的变量计算其时滞及相关系数；按CCF计算出的相关系数对数据进行重新排列，并且以时滞大小作为时间窗长度，将一个时间窗内的数据当成一组输入数据；用以上处理好的输入数据训练卷积神经网络，加入批标准化层和dropout方法进行优化训练，获得最终的基于Lasso‑CCF‑CNN的加氢裂化模型。本发明所提供的建立方法能够高效地选出最重要的变量，克服变量选择的主观性问题，尽可能多地提取变量间的时序信息，显著地提高模型的精度与鲁棒性。

主权项

1.一种基于Lasso‑CCF‑CNN的加氢裂化模型的建立方法，其特征在于，所述基于Lasso‑CCF‑CNN的加氢裂化模型的建立方法包括：利用三倍标准差检验法剔除原始数据中的异常值及使用minmax标准化对数据进行归一化处理以消除不同量纲带来的影响；使用Lasso法建立回归模型筛选出最重要的变量；利用CCF对已筛选出的变量计算其时滞及相关系数；按CCF计算出的相关系数对数据进行重新排列，并且以时滞大小作为时间窗长度，将一个时间窗内的数据当成一组输入数据；用以上处理好的输入数据训练卷积神经网络，加入批标准化层和dropout方法进行优化训练，获得最终的基于Lasso‑CCF‑CNN的加氢裂化模型，具体包括以下步骤：步骤(1)，对于样本个数为m、自变量个数为s、响应变量个数为1的样本集，将样本集表示为{输入矩阵X(m×s)，输出矩阵Y(m×1)}；定义全部变量集合为{x_1,x_2,…,x_s}；定义λ为Lasso法的惩罚系数；设定相关系数的阈值为H，设定时滞的修正系数为k，设定CNN模型的卷积核尺寸为n×n，设定dropout的概率为p，设定CNN模型迭代训练次数为T，设定建模过程中批处理样本数为K；步骤(2)，对步骤(1)所述的样本集进行计算得到其均值为μ及标准差为σ，然后剔除样本集中所有不在区间[μ‑3σ,μ+3σ]的样本；同时，将样本集划分为训练集及测试集；步骤(3)，基于步骤(2)中划分的训练集和测试集选用min‑max标准化的方法分别对其进行归一化处理；步骤(4)，对归一化后的训练集建立Lasso回归模型，并且使用10折交叉验证的方法来选出模型最小均方根误差对应的最优惩罚系数λ_best；步骤(5)，以找出的最优惩罚系数λ_best建立的Lasso回归模型作为基础，通过回归模型的系数来判断每个变量对建立模型的重要程度，系数为0的变量对模型的回归预测几乎没有作用，将这些变量全部剔除，得到最终保留的变量集合{x_1,x_2,…,x_q}，其中：q≤s；步骤(6)，对最终筛选出的变量集合{x_1,x_2,…,x_q}进行CCF计算，得到每个变量相对于响应变量Y的时滞及相关系数，找出相关系数大于设定的相关系数阈值H的变量，并以这些变量的最大时滞作为整体的时滞，再乘以修正系数k得到最终时滞t；步骤(7)，选定步骤(6)计算得到的时滞t作为时间窗长度W_L，考虑利用卷积神经网络算法对局部特征提取的特性，将时间窗长度W_L范围内的所有样本进行补零处理作为一个输入样本，得到新样本集{X_new，Y_new}；步骤(8)，将步骤(7)中所得新输入矩阵X_new作为输入变量，对应的输出矩阵Y_new作为目标变量，选定卷积核尺寸，确立网络结构，在网络中的所有卷积层后加入批标准化层，最后在全连接层使用dropout方法；步骤(9)，将K个样本作为模型批处理的训练样本进行网络训练，迭代训练共T次后得到最终的基于Lasso‑CCF‑CNN的加氢裂化模型。