[发明专利]一种基于深度置信神经网络的大型高速回转装备消偏消倾方法

权利要求书

1.一种基于深度置信神经网络的大型高速回转装备消偏消倾方法，其特征在于，所述方法具有以下步骤：

步骤1：分析各加工误差的影响因素；

步骤2：利用测量方法评定大型高速回转装备真实加工误差，并获得该大型高速回转装备未经调心调倾时加工误差对应的影响因素的测量数据；

步骤3：将各加工误差的影响因素归一化处理后的数据作为各网络输入，各加工误差作为各网络输出，同时按照一定比例将数据分为训练集和测试集；

步骤4：分别构建各加工误差的深度置信预测神经网络，实现大型高速回转装备自动消偏消倾，并通过测试集进行验证。

2.根据权利要求1所述消偏消倾方法，其特征在于，所述步骤4针对各加工误差建立了不同结构的深度置信神经网络具体为深度置信神经网络主要由多层受限玻尔兹曼机(RBM)堆叠而成的深度置信网络(DBN)，以及一层BP网络组成。

3.根据权利要求2所述消偏消倾方法，其特征在于，所述神经网络训练过程包含无监督预训练和有监督微调两个步骤，

步骤4.1：无监督预训练：利用网络输入分别单独训练RBM1，RBM2，RBM3；RBM组成结构均包含可见层和隐藏层；RBM1中输入层为可见层，隐含层I为隐藏层；RBM2中隐含层I为可见层，隐含层II为隐藏层；RBM2中隐含层II为可见层，隐含层III为隐藏层；

步骤4.2：有监督微调：所述有监督微调包含前向传播和反向传播两个过程。

4.根据权利要求3所述消偏消倾方法，其特征在于，所述步骤4.1的训练过程如下：

步骤4.1.1：随机初始化权值向量W，使其为满足正态分布N(0，0.01)的随机数，初始化可见层偏置向量a，隐藏层偏置向量，b为0如式(1)所示

式中，X为输入向量，即训练样本，v为可见层向量，h为隐藏层向量，i和j分别为可见层和隐藏层神经元索引，M为可见层神经元个数，N为隐含层神经元个数；

步骤4.1.2：将训练样本赋值给v⁰，则隐含层激励值计算公式为：

隐含层神经元被开启的概率：

步骤4.1.3：根据步骤4.1.2中计算所得的概率分布进行Gibbs采样，对隐藏层中的每个神经元从{0，1}中抽取得到相应的值；

步骤4.1.4：产生位于区间[0，1]上的随机数r_j，然后按式(4)确定隐含层值，

步骤4.1.5：根据式(5)，代入步骤(3)中获得的隐含层值，计算可见层值激励值，

步骤4.1.6：可见层神经元被开启的概率：

步骤4.1.7：根据步骤4.1.5计算的概率分布，再次进行Gibbs采样，来对可见层中的神经元从{0，1}中抽取相应的值进行采样重构；

步骤4.1.8：产生位于区间[0，1]上的随机数r_i，然后按式(7)确定可见层值：

步骤4.1.9：根据式(8)，代入步骤4.1.7中重构后的可见层值计算隐藏层神经元被开启的概率，

步骤4.1.10：根据式(9)、(10)、(11)，更新获得新的权值和偏置；

W←——W+λ₁(p(h⁰＝1/v⁰)(v⁰)^T-p(h¹＝1/v¹)(v¹)^T) (9)

b←——b+λ₁(p(h⁰＝1/v⁰)-p(h¹＝1/v¹)) (10)

a←——a+λ₁(v⁰-v¹) (11)

式中，λ₁为RBM1训练的学习率；

步骤4.1.11：重复步骤4.1.1-步骤4.1.10，多次调整权值、偏置，使得该网络层产生训练样本的概率最大，RBM1的训练完成；

步骤4.1.12：固定RBM1的权值和偏置，并以RBM1隐藏层所处状态作为RBM2的可视层，按照步骤4.1.1-步骤4.1.10训练RBM2，将训练好的RBM2堆叠于RBM1上；

步骤4.1.13：按照步骤4.1.1-步骤4.1.10训练RBM3，将训练好的RBM3堆叠于RBM2上；

步骤4.1.14：重复以上过程，完成DBN结构预训练；

步骤4.1.15：最后一层BP层权值、偏置可直接随机初始化，DBN-DNN结构搭建完成。