(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211051978.1 (22)申请日 2022.08.30 (71)申请人 浙江工业大 学 地址 310006 浙江省杭州市拱 墅区朝晖六 区潮王路18号 (72)发明人 刘毅　郭威威　李浩男　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 专利代理师 汤明 (51)Int.Cl. G16C 20/70(2019.01) G16C 20/10(2019.01) G06N 20/00(2019.01) (54)发明名称 一种基于多工况分布式输出过程补偿宽度 迁移建模方法 (57)摘要 一种基于多工况分布式输出过程补偿宽度 迁移建模方法， 所述方法包括以下步骤： (1)数据 的获取： 收集不同工况特性的数据， 并进行归一 化处理； (2)数据集的重构； (3)建模训练： 建立补 偿宽度迁移模 型以及其他对比模 型， 并进行模型 训练； (4)模型测试： 对目标域测试工况数据进行 预测。 本发 明针对分布式输出过程特征变量导致 的标签空间差异问题， 有效结合了宽度迁移学习 对特征空间信息抓取能力和偏差补偿机制对源 域和目标域标签空间进行的信息传递， 提出了一 种基于多工况分布式输出过程补偿宽度迁移建 模方法， 有效的处理了苯乙烯自由基聚合反应中 多工况和大噪声特性， 并增强了预测的鲁棒性和 准确性。 权利要求书4页 说明书7页 附图4页 CN 115458078 A 2022.12.09 CN 115458078 A 1.一种基于多工况分布式输出过程补偿宽度迁移建模方法， 其特征在于， 包括以下步 骤： 1)数据的获取： 根据化工生产过程中的实 际操作条件， 收集不同工况特性的数据； 将数据集分为源域 工况数据集、 少量目标域标签数据集以及目标域测试 数据集， 并进行归一 化处理； 2)数据集的重构： 使用源域工况数据集、 少量目标域标签数据集对源域训练工况数据集进行重构， 并建 立预测标签； 3)建模训练： 使用补偿宽度迁移方法对源域工况数据集、 少量目标域标签数据集以及目标域测试数 据集建立补偿宽度迁移模型以及其 他对比模型， 并进行模型训练； 4)模型测试： 对目标域测试工况 数据进行 预测。 2.如权利要求1所述的一种基于多工况分布式输出过程补偿宽度迁移建模方法， 其特 征在于， 所述 步骤1)的过程 为： 通过信息论中的互信息准则度量特征之间的相关性值， 选取a个训练数据样本， b个特 征变量的数据集 基于互信息的特 征选择具体过程如下： 步骤1.1： 使用互信息准则度量训练数据每个特征变量 与训练数据标 签y， 将筛选出的特征变量按相关性程度降序排列， 选择一个比例阈值作为划分相对相关特 征组 的依据， 即b ′个特征变量构成相对相关特 征组； 步骤1.2： 将其余特征变量作为相对独立特征组 对相对独立特征进行排列组合， 构建 个相对独立特 征组 步骤1.3： 按互信息度量结果筛 选c个相关特 征和d个不相关特 征； 步骤1.4： 将c ‑1个不相关特 征与d个相关特 征随机组合构建c+1个输入变量 集； 步骤1.5： 将b ‑b′个相对独立特征组 和相对相关特征组 进行特征组合重构 与初始的特征变量组 构成总数为b ‑b′+1个训练输入变量 集。 3.如权利要求2所述的一种基于多工况分布式输出过程补偿宽度迁移建模方法， 其特 征在于， 所述 步骤2)的过程 为： 步骤2.1： 将收集到的数据集分为源域工况数据集、 少量目标域标签数据集以及目标域 测试数据集， 并进行归一 化处理； 步骤2.2： 使用源域工况数据集、 少量目标域标签数据集对源域训练工况数据集进行重 构， 得到源域训练工况新标签ynew， 建立基于高斯过程回归GPR的补偿迁移模型对目标域测 试数据集建立预测伪标签 4.如权利要求3所述的一种基于多工况分布式输出过程补偿宽度迁移建模方法， 其特 征在于， 所述 步骤3)的过程 为：权　利　要　求　书 1/4 页 2 CN 115458078 A 2使用补偿宽度迁移方法对源域工况数据集、 少量目标域标签数据集以及目标域测试数 据集建立源域自适应模型BLS ‑OSDA和基于补偿宽度迁移的目标域自适应模型BLS ‑OTDA模 型以及其他对比模型： 从源域到目标域的高斯过程回归迁移补偿模型GPR(S+T)模型、 从源 域到目标域的宽度迁移BLS(S+T)模 型、 基于宽度学习的源域自适应BLS ‑SDA模型、 基于宽度 学习的目标域自适应BLS ‑TDA模型。 5.如权利要求4所述的一种基于多工况分布式输出过程补偿宽度迁移建模方法， 其特 征在于所述步骤1.3中， 采用的互信息准则度量每个输入 特征和标签特征之间信息熵， 降序 排列， 选取 特征作为相关变量， 其 余为非相关变量， 互信息准则公式定义如下： 其中P(x1)， P(x2)是随机变量x1， x2的边缘概率密度函数， P(x1,x2)是两者的联合概率密 度函数。 6.如权利要求5所述的一种基于多工况分布式输出过程补偿宽度迁移建模方法， 其特 征在于所述宽度学习系统BLS由输入层、 特征层、 增强层和 输出层构成， 中间的特征层和增 强层是并列关系； 基于BLS的域自适应框架包含两个阶段： BLS特征映射及学习输出权重； 所 述BLS过程计算如下： 假设训练数据为{(xi,yi)|xi∈M,i＝1,…,N}， 其中X,Yn代表了样本的输入和输出， Wn表 示输出权重， M表 示输入数据样本的维度， 输出数据为单变量信息， N为样 本个数， BLS的特征 层包含有n组特征节点， 每组特征节点包含q个特征神经元， 增强层包含m组增强节点， 每组 增强节点包 含有p个增强神经 元； 利用公式(2)获得输入的第i组随机特 征： 其中 和 是随机的第i个特征组输入权重与节点阈值， 为了减小提取错误特征 的概 率， 利用SAE对输入权重进行微调， φ( ·)表示特征层的激活函数， 将所有特征节点表示为 Zn＝[Z1,…,Zn]， 同理， 增强层将一组增强节点表示 为： 其中 和 是随机的第j个特征组输入权重与节点 阈值， ξ(·)表示增强层的激活函 数， 所有的增强节点表示为Hm＝[H1,…,Hm]， 联合后的扩展输入为A＝[Zn|Hm]； 因此BLS的网 络权重最小值 求解可以表示 为： 其中， λ表示长度尺寸参数， I表示单位矩阵； 优化上述目标函数， 得到最终的输出权重 为： W＝( λI+ATA)‑1ATY           (5)。 7.如权利要求6所述的一种基于多工况分布式输出过程补偿宽度迁移建模方法， 其特 征在于对于第一阶段BLS特征映射， 使用源域和目标域的数据按照上述的BLS过程计算相应 的扩展输入特 征矩阵A； 基于数据XS和源域扩展输入特 征矩阵AS， 可以得到以下式子： 权　利　要　求　书 2/4 页 3 CN 115458078 A 3