[发明专利]一种基于改进GAN与LSTM的小样本气体浓度预测方法

权利要求书

1.一种基于改进GAN与LSTM的小样本气体浓度预测方法，其特征在于，包括以下步骤：

S1、获取目标气体浓度的历史数据；

S2、对目标气体浓度的历史数据进行预处理，并构建得到历史数据集；

S3、通过改进的GAN对历史数据集进行扩充，得到扩充后的数据集；

S4、按照设定的比例，将扩充后的数据集划分为训练集和测试集；

S5、利用训练集和测试集，对LSTM网络进行训练，得到训练好的气体浓度预测模型；

S6、将实际需要预测的气体数据输入气体浓度预测模型中，输出得到对应的预测气体浓度。

2.根据权利要求1所述的一种基于改进GAN与LSTM的小样本气体浓度预测方法，其特征在于，所述步骤S2中预处理过程具体为：首先对数据进行时间对齐，之后进行缺失值处理、噪声处理，最后进行数据集成。

3.根据权利要求1所述的一种基于改进GAN与LSTM的小样本气体浓度预测方法，其特征在于，所述步骤S3中改进的GAN包括生成网络和判别网络，所述生成网络由门控循环单元网络组成，所述判别网络为卷积神经网络，所述卷积神经网络包括最大池化层和全连接层、并使用Wasserstein距离构造损失函数。

4.根据权利要求3所述的一种基于改进GAN与LSTM的小样本气体浓度预测方法，其特征在于，所述步骤S3具体包括以下步骤：

S31、将历史数据集中的气体浓度历史数据输入生成网络，输出得到气体浓度新特征；

S32、将气体浓度新特征输入判别网络，由判别网络判别气体浓度新特征分布是否与气体浓度历史数据的分布趋于一致，若一致则将气体浓度新特征作为生成数据，之后执行步骤S33；

否则进行重复对抗训练，直至得到的生成数据符合判别网络的要求；

S33、将所有生成数据共同构建为生成数据集，将生成数据集与历史数据集合并得到扩充后的数据集。

5.根据权利要求4所述的一种基于改进GAN与LSTM的小样本气体浓度预测方法，其特征在于，所述步骤S32具体是利用判别网络中使用Wasserstein距离构造的损失函数，以判断气体浓度新特征分布是否与气体浓度历史数据分布趋于一致。

6.根据权利要求3～5任一所述的一种基于改进GAN与LSTM的小样本气体浓度预测方法，其特征在于，所述Wasserstein距离表达式如下：

所述损失函数表达式为：

x_inter＝εX_real+(1-ε)X_fake

ε～U[0，1]，X_real～P_r，X_fake～P_g

其中，x_inter采用随机插值方式，P_r为真实数据，P_g为模拟生成数据。

7.根据权利要求3所述的一种基于改进GAN与LSTM的小样本气体浓度预测方法，其特征在于，所述门控循环单元网络的更新方式为：

r_t＝σ(W_rx_t+U_rh_t-1+b_r)

z_t＝σ(W_zx_t+U_zh_t-1+b_z)

其中，r_t为复位门，z_t为更新门，h_t为隐藏特征，x_t为t时刻的输入量，h_t-1为t-1时刻的状态信息，W_z、W_r、W、U_z、U_r、U、b_z、b_r、b_h为学习参数，σ()为Sigmoid函数。