[发明专利]面向乙烯裂解炉管重管识别的嵌入式DCNN压缩方法

权利要求书

1.一种面向乙烯裂解炉管重管识别的嵌入式DCNN压缩方法，其特征在于，所述面向乙烯裂解炉管重管识别的嵌入式DCNN压缩方法具体包括：

步骤一，采集乙烯裂解炉管数据；

步骤二，选用距离数据与温度数据，对温度数据与距离数据进行分割、归一化处理，然后基于深度非负矩阵分解的乙烯裂解炉管特征提取；

步骤三，建立基于深度卷积神经网络的混合结构神经网络重管识别模型；

步骤一中，所述乙烯裂解炉管数据采集方法具体包括：

设裂解炉管表面发射率为ε，表面反射率为1-ε；烟气的透射率为τ，烟气发射率为1-τ；

则智能测温仪接收到的总辐射S＝目标辐射+反射辐射+烟气辐射，即：

S＝τεS₀+τ(1-ε)S_a+(1-τ)S_atm；

上式中：S为智能测温仪从炉管外表面接收到的总辐出度；S₀为炉管外表面温度下智能测温仪接收到的辐出度；S_a为炉膛内墙温度下智能测温仪接收到的辐出度；S_atm为炉膛内烟气温度下智能测温仪接收到的辐出度；

利用智能测温仪由试验确定的仪器系数C，将辐射关系转换为热值关系，即：

I₀＝CS₀；

则I'₀＝τεI₀+τ(1-ε)I_a+(1-τ)I_atm；

上式中：I'₀为智能测温仪测试的炉管热值；I₀为炉管外表面温度下被标定的热值；I_a为炉膛内墙温度下被标定的热值；I_atm为炉膛内烟气温度下被标定的热值；

得炉管外表面温度下标定的热值为：

被标定的热值与相对应的温度关系为：

上式中：I为温度T下被标定的热值；T为热力学温度；R、B、F分别为依赖于光圈、滤光镜和扫描器类型的标定常数；

气体透射率为：

其中，a为衰减系数，短波扫描器取0.046；d为从探测器到被测目标的距离；

步骤二中，所述数据归一化处理具体包括：将温度和距离数据均归一到区间(-1,1)；

步骤二中，所述基于深度非负矩阵分解的乙烯裂解炉管特征提取具体包括：

将Semi-NMF中的系数矩阵H多次分解，将分解结果作为下一层的输入，最终形成一个深层次的网络结构；

步骤三中，所述基于深度卷积神经网络的混合结构神经网络重管识别模型包括：

使用多层感知机处理统计信息，深度卷积神经网络有2个隐含层，具备10维的张量输出；

选择交叉熵作为损失函数，每条流量数据的标签Y＝[y₁,y₂]使用下式进行表示：

损失函数通过下式进行计算：

其中为神经网络输出的二分类概率值；

定义损失函数之后，每次训练神经网络经过前向计算后采用BP算法回溯更新网络参数；

步骤三中，所述基于深度卷积神经网络的混合结构神经网络重管识别模型具体为：

其中为第l层第i个神经元与第l+1层第j个神经元之间的连接；n^l指的是第l层包含的神经元数目，n^l指的是第l+1层包含的神经元数目；表示相应的连接不存在；

令f(W)表示评估模型W准确率的评估函数，同时令δ表示用户指定的准确率损失容忍程度；对于模型W，在δ的约束下寻找最优裁剪模型的任务表示如下：

式中W'是模型W的一个子集，同时也是一个裁剪后的模型；|W'|表示模型W'的大小而W^*表示满足准确率约束的条件下最小的模型，即最优裁剪模型；

在LMP算法中，裁剪结果由每层的裁剪阈值决定；模型W的第l层裁剪过程可形式化为：

其中表示的绝对值，ε_l表示第l层的裁剪阈值；

超参数c_l的函数g，ε_l＝g(c_l)，LMP模型形式化为：

其中向量c＝(c₁,c₂,...,c_L)；

通过联立上式，超参数表示为：

所述超参数求解方法具体包括：

采用NCS算法进行模型的优化及求解；

NCS适应度函数：

fitness(c)＝-eval(LMP(W,c))