[发明专利]一种基于模态共有特征分离的软测量建模方法

权利要求书

1.一种基于模态共有特征分离的软测量建模方法，其特征在于：具体包括如下步骤：

步骤一、收集多模态工业过程建模所需的有标签数据集，随机采样，将数据分为训练集输入样本X_train∈R^1×n和测试集输入样本X_test∈R^1×n,训练集输入样本对应输出样本集Y_train∈R^1×1，测试集输入样本对应输出样本集Y_test∈R^1×1，其中n代表变量维度；

步骤二、对步骤一中所述训练集X_train进行模态划分，为每个样本标注一个对应的模态类别m；

步骤三、基于开源深度学习平台Tensorflow搭建基于模态共有特征分离与自加权变分自编码器网络MSCS-SW-VAE模型；

步骤1、搭建模态共有特征提取网络：使用β变分自编码器将训练集输入样本X_train通过编码器映射到隐层空间，得到隐变量特征均值z_mean和方差z_sigma，均值和方差经过重参数化得到隐变量z＝z_mean+e×z_sigma，其中e～N(0,I)；隐变量z经由解码器得到输入数据X_train的重构值定义编码器部分网络参数为θ_e，解码器部分网络参数为θ_d；

定义模态共有特征提取网络的损失函数为L_x+βD_KL，其中L_x为重构损失，βD_KL为隐变量损失，βD_KL＝βD_KL(N(z_mean,z_sigma²I),N(0,I))，D_KL表示KL散度，β一般设置为大于1的超参数；

步骤2、搭建模态共有特征增益网络及模态分类网络：将步骤1中隐变量特征均值z_mean使用softmax分类器确定输入样本属于模态i的概率p_i；定义模态分类网络参数为θ_m，模态分类损失函数为其中k是模态个数，m是模态类别；

定义特征增益网络损失函数时，引入了梯度反转方法；当反向梯度传播到隐层空间时，在损失函数L_m前乘以一个负数-λ，以到梯度反转的效果；随训练过程动态改变，p为迭代进程，表示当前迭代次数与总迭代次数的比率，γ取常数10；

步骤3、搭建模态独有系数生成网络：输入数据X_train经过一个一层的全连接层，再经过一个dropout层，最后通过一个激活函数relu，得到模态独有系数r，定义模态独有系数生成网络参数为θ_r；

步骤4、基于步骤1和步骤3所述隐变量特征均值z_mean和模态独有系数r，构建质量变量回归网络：将模态共有特征提取网络中的隐变量特征均值z_mean与模态独有系数r相乘，经过多层感知机MLP拟合得到预测值定义质量变量回归网络参数为θ_y，回归损失函数

步骤四、将步骤一和步骤二所述训练样本X_train∈R^1×n以及样本对应的模态类别m，输入到步骤三搭建的下MSCS-SW-VAE模型进行训练；得到MSCS-SW-VAE模型的损失函数为L_x+L_y+βD_KL+L_m；根据各部分损失函数和训练样本输入、输出、模态标签，利用梯度反转方法和随机梯度迭代算法，对各网络参数进行梯度迭代更新；

步骤五、将测试集样本X_test输入到经步骤一～步骤五训练的网络中，获得输出预测值将预测值与输出样本Y_test进行比对，对模型进行验证，完成软测量模型的建立。

2.如权利要求1所述的基于模态共有特征分离的软测量建模方法，其特征在于：步骤二具体为：对训练集输入样本X_train进行数据特性分析，使用数据可视化、K-means聚类或者人工标注的方式，确定输入样本对应的模态类别。