部分标记数据的深度学习用于基于堆叠目标相关的拉普拉西安自动编码器的质量预测

科学领域:

• 机器学习 机器学习
• 工业过程控制 工业过程控制
• 数据科学数据科学数据科学

背景情况:

• 部分标记的数据对工业环境中的软传感器开发构成了重大挑战,原因是质量变量采样的频率不高.
• 现有的方法很难充分利用这些数据集中的信息.

研究的目的:

• 提出一种新的深度学习方法,即与目标相关的拉普拉斯自编码器 (TLapAE),用于在软传感器应用中有效利用部分标记的数据.
• 通过保留本地几何结构和特征-目标映射来增强特征提取.

主要方法:

• 开发一个与目标相关的拉普拉斯调节器,以提取结构保存和质量相关的特征.
• 堆叠TLapAE (STLapAE) 的构建,用于层次深度特征表示.
• 使用矩阵微积分来推导向后传播方程,以更新模型参数.

主要成果:

• STLapAE模型在案例研究中显著提高了预测准确度,包括丁含量,含量和乙度.
• 拟议的方法优于软传感器,仅依赖标记数据和其他部分标记数据建模技术.

结论:

• TLapAE模型为处理部分标记数据的软传感器应用提供了强大的解决方案.
• STLapAE有效地提取深层特征,从而在复杂的工业过程中提供卓越的预测性能.