1.一种稀土元素含量变化预测方法,其特征在于,包括:
获取稀土串级萃取过程中数据集;所述数据集包括无标签数据子集和有标签数据子集,所述无标签数据子集包括萃取工况下特征数据,所述有标签数据子集包括萃取工况下特征数据和与特征数据对应的组分含量,所述特征数据为工艺特征;
构建稀疏自编码多分支网络模型;所述稀疏自编码多分支网络模型包括稀疏编码主网络和多个分支网络,所述分支网络包括特征融合层和输出层,所述稀疏编码主网络包括输入层和依次相连的多级隐含层,各级隐含层均连接一个分支网络,所述隐含层的级数与稀土串级萃取级数相同,且各级隐含层的连接顺序与稀土串级萃取的萃取流程对应;特征融合层i的输出连接特征融合层i+1的输入;
根据所述无标签数据子集,对所述稀疏编码主网络进行无监督预训练,确定所述稀疏编码主网络的初始参数,获得预训练后的稀疏自编码多分支网络模型;
为各所述分支网络分别构建损失函数;
基于各所述分支网络的损失函数,采用误差反向传播算法与随机梯度下降算法,根据所述有标签数据子集对所述预训练后的稀疏自编码多分支网络模型进行有监督训练,输出稀土元素含量变化预测模型;
利用所述稀土元素含量变化预测模型对稀土串级萃取过程中稀土元素组分含量进行预测。
2.根据权利要求1所述的稀土元素含量变化预测方法,其特征在于,所述无标签数据子集和所述有标签数据子集中特征数据为采用最大最小值标准化处理后的特征数据。
3.根据权利要求1所述的稀土元素含量变化预测方法,其特征在于,所述特征数据包括各组分间相对分离系数、洗涤剂流量、萃取剂流量和进料方式。
4.根据权利要求1所述的稀土元素含量变化预测方法,其特征在于,所述组分含量包括有机相易萃组分含量值和水相难萃组分含量值。
5.根据权利要求1所述的稀土元素含量变化预测方法,其特征在于,所述稀疏编码主网络的初始参数包括各隐含层的特征提取权重矩阵和偏差向量参数。
6.根据权利要求1所述的稀土元素含量变化预测方法,其特征在于,所述稀疏自编码多分支网络模型的分支输出的特征传递表示为:i
其中,X表示特征数据,xp表示第p个特征值, 表示分支网络i的输出,H表示第i级隐i i含层输出的抽象特征,W 表示输入层至隐含层i的特征提取权重矩阵,B表示输入层至隐含i层i的偏差向量参数,Fi()表示非线性激活函数;而Hbi为分支网络i的输入特征,ω 表示分i支网络i的回归层的权重,b表示分支网络i的回归层的偏差参数,gi()表示非线性激活函数。
7.根据权利要求1所述的稀土元素含量变化预测方法,其特征在于,各所述分支网络的损失函数表示为:其中, 表示分支网络i的优化目标函数, 表示分支网络i的
预测输出,y(i)表示第i级组分含量实际值,z表示所述有标签数据子集的样本数量,θi表示* * * *所述损失函数中参数,θi=(ω ,b),ω 表示隐含层权重矩阵,b表示隐含层偏差系数,n+m表示稀土串级萃取总级数,n表示萃取段级数,m表示洗涤段级数。
8.一种稀土元素含量变化预测系统,其特征在于,包括:
数据集获取模块,用于获取稀土串级萃取过程中数据集;所述数据集包括无标签数据子集和有标签数据子集,所述无标签数据子集包括萃取工况下特征数据,所述有标签数据子集包括萃取工况下特征数据和与特征数据对应的组分含量,所述特征数据为工艺特征;
网络模型构建模块,用于构建稀疏自编码多分支网络模型;所述稀疏自编码多分支网络模型包括稀疏编码主网络和多个分支网络,所述分支网络包括特征融合层和输出层,所述稀疏编码主网络包括输入层和依次相连的多级隐含层,各级隐含层均连接一个分支网络,所述隐含层的级数与稀土串级萃取级数相同,且各级隐含层的连接顺序与稀土串级萃取的萃取流程对应;特征融合层i的输出连接特征融合层i+1的输入;
无监督预训练模块,用于根据所述无标签数据子集,对所述稀疏编码主网络进行无监督预训练,确定所述稀疏编码主网络的初始参数,获得预训练后的稀疏自编码多分支网络模型;
分支网络的损失函数构建模块,用于为各所述分支网络分别构建损失函数;
有监督训练模块,用于基于各所述分支网络的损失函数,采用误差反向传播算法与随机梯度下降算法,根据所述有标签数据子集对所述预训练后的稀疏自编码多分支网络模型进行有监督训练,输出稀土元素含量变化预测模型;
预测模块,用于利用所述稀土元素含量变化预测模型对稀土串级萃取过程中稀土元素组分含量进行预测。
9.根据权利要求8所述的稀土元素含量变化预测系统,其特征在于,所述无标签数据子集和所述有标签数据子集中特征数据为采用最大最小值标准化处理后的特征数据。
10.根据权利要求8所述的稀土元素含量变化预测系统,其特征在于,所述特征数据包括各组分间相对分离系数、洗涤剂流量、萃取剂流量和进料方式;所述组分含量包括有机相易萃组分含量值和水相难萃组分含量值。