1.一种基于最大相关最小冗余的堆叠自编码器软测量建模方法,其特征在于,包括以下步骤:步骤(1)通过集散控制系统或离线检测的方法来收集工业过程数据,确定关键质量变d量y和辅助变量x,其中,x=[x1,x2,…,xd]∈R表示由d个辅助变量构成的向量;
步骤(2)对收集到的工业过程数据进行预处理和归一化,得到最小值为0,最大值为1的数据集,新的数据矩阵集为输入数据集 和目标数据集 把数据集划分为训练集Dtrn和测试集Dtest;
步骤(3)针对归一化后的软测量模型输入和输出数据集,构建变权自编码器的软测量模型,用于提取输出相关隐特征;
步骤(4)利用步骤(3)提取到的隐特征,使用主成分分析法剔除隐特征之间的冗余;
步骤(5)将步骤(4)中经过主成分分析剔除冗余的隐特征作为输入,多次重复步骤(3)和(4),构建最大相关最小冗余堆叠自编码器软测量模型;
步骤(6)在预训练完成后,将输出层添加到堆叠自编码器的顶部用来微调权重;
步骤(7)在训练集上构建回归模型,并在测试集Dtest上进行测试,最终实现对关键质量变量的离线估计。
2.根据权利要求1所述的基于最大相关最小冗余的堆叠自编码器软测量建模方法,其特征在于,所述步骤(3)中变权去冗余自编码器的软测量模型建立过程为:(1)为了训练变权自编码器,首先应使用标记数据来获得可变权重;假设标记训练数据其中,Xl代表有标记的输入数据集,Yl代表有标记的目标数据集,Nl代表标记样本的数量, 代表第Nl个有标记的输入数据, 代表第Nl个有标记的目标数据;
(2)确定输入变量与目标变量的相关性,通过标记数据计算第d个变量的相关系数:其中, 为标记数据的第d个变量的合集;
协方差和方差计算如下:
其中 和 分别为第d个输入变量和目标变量的平均值,如果相关系数的绝对值很大,则说明该输入变量与目标变量更相关;因此,该变量应该被赋予更大的权重值,反之亦然;
第d个输入变量的权重应该是单调递增函数,其相关系数为绝对值;使用的变量权重被设置为其中,λ(d)为第d个变量的权重;
(3)利用可变权重,以监督的方式训练堆叠自编码器
其中,W代表编码层的权重矩阵,v代表编码层的偏置向量, 代表解码层的权重矩阵,代表解码层的偏置向量。
3.根据权利要求1所述的基于最大相关最小冗余的堆叠自编码器软测量建模方法,其特征在于,所述步骤(4)中主成分分析建立过程为:利 用自 编 码 器 提 取出 隐 特 征 后 ,根 据 隐 特 征 之间 的 协 方 差 矩阵cij,(i,j=1,2,…,p)表示任意两个隐特征之间的相关系数;再利用协方差矩阵特征值分解式
其中,λi(i∈1,2,…,d)代表对角矩阵的特征值;
对λi降序排列,主成分分析降维前隐层节点数为g,选择累计贡献度为ρ≥95%时的前s个主成分,g≥s。
4.根据权利要求1所述的基于最大相关最小冗余的堆叠自编码器软测量建模方法,其特征在于,所述步骤(5)中最大相关最小冗余堆叠自编码器软测量模型建立过程为:
1)使用标记数据集{Xl,Yl}以监督的形式训练第一个变权自编码器,预训练的权重为{W1,b1},第一层的隐特征为
2)假设隐特征个数为d,对步骤1)中的隐特征降序排列得到 选取前d'个隐特征,使其对应的积累贡献率满足ρ≥95%;
3)根据步骤2)的筛选结果,剔除隐层未被选中的节点;
4)重复步骤2)和步骤3)的过程,逐层进行预处理,直到获得最后一个变权自编码器;所有的变权自编码器预训练权重为{Wk,bk}k=1,2,…,L;
5)预训练完成后,将输出层添加到堆叠自编码器的顶部来微调权重;预训练的权重{Wk,bk}k=1,2,…,L用来初始化每个隐层的权重;通过反向传播算法可以得到改进的权重{W′k,b′k}k=1,2,…,L。