[发明专利]一种基于联邦增量随机配置网络的工业过程软测量方法

权利要求书

1.一种基于联邦增量随机配置网络的工业过程软测量方法，其特征在于，包括以下步骤：

步骤1，各个工厂获取历史的工业过程辅助数据和对应的产品质量数据，并初始化本地增量随机配置网络模型学习所需要的参数，每个工厂都是一个客户端，每个客户端将满足本地数据约束的隐层节点放入候选池，从候选池中选择最佳候选节点上传至中央服务器；

步骤2，中央服务器对上传的最佳候选节点进行加权聚合或者贪婪选择得到全局参数，并将全局参数下传至每个客户端作为本地增量随机配置网络模型的隐层参数；

步骤3，每个客户端得到全局参数后计算新增隐层输出，并将输出权值上传至中央服务器进行加权聚合，继续开始下一轮训练；

步骤4，在当前网络隐层节点数超过给定最大隐层节点数或当前迭代中的残差满足期望容差时，不再增加新节点，停止联邦训练，得到训练好的全局模型；

步骤5，服务器将训练好的全局模型分发给各个本地工厂作为软测量模型；

步骤1还包括：所述从候选池中选择最佳候选节点上传至中央服务器，包括加权聚合和贪婪选择：

加权聚合上传和

贪婪选择上传和对应的

步骤2包括：

中央服务器对上传的最佳候选节点进行加权聚合得到模型第L个节点的全局参数和

其中

其中n为所有客户端本地历史工业过程辅助数据n_k的总和；

步骤2包括：所述中央服务器对上传的最佳候选节点进行贪婪选择包括：

中央服务器对上传的参数进行比较，选择最大的对应的客户端参数作为模型第L个节点的全局参数和

其中

其中Θ是每个客户端上传的最优参数和的集合，Ξ为的集合；

步骤3包括：

根据当前全局参数和每个客户端计算新增隐层输出

计算客户端本地隐层输出矩阵

其中当前隐层输出矩阵为

式中，表示本地客户端k每个客户端上传输出矩阵至中央服务器，中央服务器对上传的进行加权聚合得到全局输出矩阵β_L，其中

2.根据权利要求1所述的方法，其特征在于，步骤1中，设定共有K个工厂参与联邦训练，对于第k个工厂，获取n_k组历史的工业过程辅助数据X^k和对应的产品质量数据T^k，记为{X^k,T^k}；第k个工厂第i组历史的工业过程辅助数据包含z个辅助过程变量，对应的产品质量数据t_i包含m个产品质量数据，i取值为1～n_k，则输入样本矩阵第i组z个辅助过程变量集合记为表示第k个工厂第i组第z个辅助过程变量。

3.根据权利要求2所述的方法，其特征在于，步骤1中，所述初始化本地增量随机配置网络学习所需要的参数，包括：最大隐层节点数L_max、最大随机配置次数T_max、期望容差ε、隐层参数随机配置范围Υ＝{λ_min:Δλ:λ_max}、学习参数r、激活函数g(.)、初始残差e₀＝T^k，其中λ_min是随机参数的分配区间下限，λ_max是随机参数的分配区间上限，Δλ为随机参数分配区间增量参数。

4.根据权利要求3所述的方法，其特征在于，步骤1还包括：

在每个客户端的本地增量随机配置网络构建过程中，在可调对称区间Υ内分别随机生成隐层参数和

节点隐层输出上标T为矩阵或向量的转置；

设定μ_L＝(1-r)/(L+1)，L为当前本地增量随机配置网络模型隐层节点总数，r表示学习参数，μ_L是一个非负实数序列；

找出满足以下不等式约束的隐层节点即为候选节点：

其中，

式中，m表示各训练集输出的维数，符号·,·表示向量的内积，代表在客户端k中当前隐层节点数为L时各训练集第q个输出对应的监督机制，计算得到新增候选节点构建候选池，其中表示第k个客户端在第L次迭代时随机配置的节点监督值，表示第k个客户端中第L次迭代时第j次随机配置的节点监督值；

找出使得最大的一组隐层参数，即为满足监督机制的最佳隐层参数和