[发明专利]一种基于深度学习的预测模型软测量方法

权利要求书

1.一种基于深度学习的预测模型软测量方法，其特征在于，包括：

获得历史数据；

根据时间窗对所述历史数据进行规整，以使所述历史数据与当前可观测变量数据形成对应关系；

使用平稳小波变换提取规整之后的历史数据的多尺度信息；

将所述多尺度信息与每个时间点对应的当前可观测变量数据进行组合，以形成样本数据集；

根据所述样本数据集形成训练集和测试集；

使用所述训练集和所述测试集对具有注意力机制的深度模型进行训练和测试，以形成完整模型；

根据当前可观测数据和所述完整模型获得预测值。

2.根据权利要求1所述的基于深度学习的预测模型软测量方法，其特征在于，所述使用平稳小波变换提取规整之后的历史数据的多尺度信息的步骤包括：

使用平稳小波变换对每个时间点的数据进行分解，以获得多组不同尺度的近似系数和细节系数：

其中，第k组变量的历史数据在第i级分解的结果，而且

3.根据权利要求1所述的基于深度学习的预测模型软测量方法，其特征在于，还包括：

使用均方根误差和平均相对误差对所述完整模型进行评价；

所述均方根误差的计算公式为：

所述平均相对误差的计算公式为：

其中，y_i为第i组样本的真实输出，pred_i为第i组样本的深度模型的预测值为y_i反归一化之后的结果为pred_i反归一化之后的结果。

4.根据权利要求1所述的基于深度学习的预测模型软测量方法，其特征在于，所述获得历史数据的步骤之后包括：

对所述历史数据进行归一化处理：

其中，历史数据x_t表示第t时刻化工生产的所有变量状态；x＝[x¹，…，x^k]，x^k表示第k变量的状态；表示在所有的这段数据之中第k变量为所有历史数据的最小值；表示在所有的这段数据之中第k变量为所有历史数据的最大值。