[发明专利]一种基于半监督深度GRU的渣油加氢模型及建立方法

摘要

本发明公开了一种基于半监督深度GRU的渣油加氢模型及建立方法，所述方法包括：对原始数据进行时序处理，得到无标签的样本训练集A和带标签的样本训练集合A*；使用min‑max标准化的方法对样本数据进行归一化处理以消除不同量纲所带来的影响；归一化后的样本数据集合A和A*均为建模过程的输入数据；用以上处理好的无标签的样本数据集合A构建深度GRU模型，利用GRU自动编码器，按照贪心原理逐层对深度GRU模型进行无监督预训练；用预训练获得的参数初始化相同结构的深度GRU模型，利用带标签的数据集合A*进行二次训练，经过监督学习微调后获得最终的基于半监督深度GRU的渣油加氢模型。相比于其他现存的方法，本发明方法能够有效地提高数据利用率。

主权项

1.一种基于半监督深度GRU的渣油加氢模型的建立方法，其特征在于，所述基于半监督深度GRU的渣油加氢模型的建立方法包括：对原始数据进行时序处理，得到无标签的样本数据集合A和带标签的样本数据集合A*；使用min‑max标准化的方法对样本数据集合A和A*中的数据进行归一化处理以消除不同量纲所带来的影响；归一化后的样本数据集合A和A*均为建模过程的输入数据；用以上处理好的无标签的样本数据集合A构建深度GRU模型，利用GRU自动编码器，按照贪心原理逐层对深度GRU模型进行无监督预训练；用预训练获得的参数初始化相同结构的深度GRU模型，利用带标签的数据集合A*进行二次训练，经过监督学习微调后获得最终的基于半监督深度GRU的渣油加氢模型，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的样本集，定义样本集X＝[x₁，x₂，…，z_m]^T，即：x_i＝[x_i1，x_i2，…，z_is]为一个样本，i＝1，2，…，m；定义标签集合为Y＝[y₁，y₂，…，y_m]^T；设定训练、测试样本比例为l；设定模型输入步长为t₁，输出步长为t₂；设定GRU模型深度为n，各层GRU单元的隐藏节点数为h_j，j＝1，2，…，n；设定模型预训练过程的迭代训练次数为T₁，批处理样本数为K₁，设定模型二次训练的迭代训练次数为T₂，批处理样本数为K₂；步骤(2)，将步骤(1)所述的样本集X、Y进行时序化处理，得到模型输入集合X′和模型输出集合Y′：将集合X中t₁个样本与对应标签数据作为一个输入样本，将集合Y中t₁步后的t₂个标签数据作为一个对应输出样本，则其中，步骤(3)，基于步骤(2)得到的输入样本集合X′与输出样本集合Y′，按照比例l划分为训练集及测试集，并使用min‑max标准化的方法分别进行归一化处理得到X_train，X_test，Y_train，Y‑test；步骤(4)，将根据步骤(3)得到的训练集X_train作为无标签的数据集合A，将训练集X_train与其标签集合Y_train作为带标签的数据集合A*，即：A＝{x_train}，A*＝{X_train，Y_train}；步骤(5)，基于步骤(4)中的数据集合A进行半监督深度GRU的预训练：将第j层GRU单元作为GRU自动编码器的编码器部分，接入一个GRU解码器，其整体作为自动编码器进行训练，以最小化原始输入重建误差为目标对数据集合A进行学习，保存编码器部分的参数结果p_j；该学习过程的迭代次数为T₁，批处理样本数为K₁；步骤(6)，将第j层自动编码器的输出作为第j+1层GRU单元的输入，固定第j层GRU参数p_j，按照步骤(5)对第j+1层GRU进行学习；步骤(7)，重复步骤(6)直至初始化n层GRU结构，完成预训练过程，得到深度GRU模型初始参数集合P＝[p₁，…，p_n]；步骤(8)，进行深度GRU模型的有监督二次训练：根据步骤(7)得到的P初始化深度GRU模型的n层GRU单元，将数据集合A*中K₂个样本作为模型批处理样本进行二次训练，进行T₂次迭代训练后得到最终的模型。