[发明专利]一种面向生产要素数据流的低维子空间共享表示方法

说明书

本发明属于工业互联网领域领域，具体说是一种面向生产要素数据流的低维子空间共享表示方法。包括以下步骤：多源异构生产要素的高维冗余特征同构子空间表示：将多个表示生产要素的异构数据映射到同一个高维冗余特征同构空间；低维语义共享子空间表示：基于多源异构生产要素相关性的特征学习方法，将高维冗余特征同构空间中的冗余特征映射到低维语义共享子空间。解决多模态数据的子空间共享表示问题，利用增量学习结合TPA‑LSTM，将注意力机制添加到时间序列上，完成针对数据流的加速处理。本发明构建的中层同构冗余特征空间，充分利用了不同模态间的互补信息并，消除了数据的异构性。

技术领域

本发明属于工业互联网领域领域，具体说是一种面向生产要素数据流的低维子空间共享表示方法。

背景技术

工业互联网是新一轮科技革命和产业变革背景下的一种全新工业生态，高质量的工业数据共享表示是提取价值关系的保障，工业数据的维度和复杂度远超消费互联网。低维子空间共享表示方法是近年来用于消除多源多模态数据异构性的重要手段。针对融合管理中存在的多源多模态数据的异构问题，研究不同模态的低维共享子空间学习方法，消除异构性以完成深度融合。

目前存在的基于非负矩阵分解和基于投影的低维共享子空间学习方法虽可以处理异构数据，但仅依靠统计手段难以捕捉互补信息，导致映射到低维空间时会造成信息损失。模型普遍缺乏适应工业数据动态更新的能力，可扩展性差，导致计算代价高昂，难以满足工业生产的海量流数据处理需求，因此，无法直接应用于工业领域。

发明内容

本发明采用基于映射关系的低维子空间表示方法，构建低层异构特征空间、同构冗余特征空间。，以克服上述缺陷。

本发明为实现上述目的所采用的技术方案是：

一种面向生产要素数据流的低维子空间共享表示方法，包括以下步骤：

多源异构生产要素的高维冗余特征同构子空间表示：将多个表示生产要素的异构数据映射到同一个高维冗余特征同构空间；

低维语义共享子空间表示：基于多源异构生产要素相关性的特征学习方法，将高维冗余特征同构空间中的冗余特征映射到低维语义共享子空间。

还包括：面向多源异构数据流的优化过程：通过构建异构数据的关键分量学习模型以及基于关键分量的数据压缩嵌入和元向量，以加速数据流下的多源异构数据共享子空间表示。

所述多源异构生产要素的高维冗余特征同构子空间表示，包括以下步骤：

将多源异构数据分解为关键分量、冗余分量和噪声分量，基于冗余分量将异构数据进行关联，并将互相关联的异构数据中的关键分量进行耦合，以将多个异构数据映射到一个高维冗余特征同构空间；

学习多个异构特征空间向唯一高维冗余特征同构空间的线性变换，并利用生成对抗网络对其进行训练。

所述线性变换为：

其中，X和Y分别表示冗余分量关联下的两种异构数据，A和B分别表示需要进行学习的异构数据X和Y向高维冗余特征同构空间映射的线性变换，ε和γ为正参数。

所述低维语义共享子空间表示，具体为：

基于迹比准则，学习将高维冗余特征同构空间中的冗余特征映射到低维语义共享子空间的映射矩阵Θ，并利用映射矩阵Θ的正交约束消除冗余分量。

所述利用映射矩阵Θ的正交约束消除冗余分量，具体为：