[发明专利]一种特征提取模型训练方法、装置、及计算机设备

说明书

本申请涉及数据处理技术领域，具体涉及一种特征提取模型训练方法、装置、及计算机设备；通过训练特征提取模型实现对于在电解铝工艺中关键特征的获取以及基于关键特征实现运行状态的表征。具体过程首先以降噪自编码的隐含层为输入层，并在该输入层后配置一个新的隐含层和输出层构成三层BP人工神经网络，然后将工艺输出层得到的损失函数加入到降噪自编码重构层的损失函数中；最后以构建的区分复合误差函数为目标准则训练模型结构，有望提取到更为稳健的特征信息。

技术领域

本申请涉及数据处理技术领域，具体涉及一种特征提取模型训练方法、装置、及计算机设备。

背景技术

随着人工智能(Artificial Intelligence，AI)技术的快速发展，人工智能技术被广泛的应用于各个领域，例如，在工业领域，通过人工智能技术可以实现工业控制过程中关键特征的提取，通过关键特征的提取能够获得工艺过程中的运行状态。

在电解铝装备工艺系统中存在众多工艺参数与技术性能指标(电流效率和吨铝直流电耗)密切相关。但各系列工艺参数之间耦合关联交互太强，不同参数组合产生的运行效果难以估量，故不宜仅采用主要工艺参数参与模型分析。为充分考虑各工艺参数间的协同效应，应将系列工艺参数作为一个整体进行综合特征分析进而参与精准建模。

针对于现有技术中为了解决以上的问题，可以通过构架降噪自编码神经网络进行处理。降噪自编码神经网络往往将误差函数(损失函数)设定为目标准则，以梯度反向传播训练网络的权值和阈值，其本质是对输入样本数据的一种无损鲁棒特征提取。然而，分类或回归信息可能只存在于高维输入样本中的某些分量。因此在上述特征提取过程中，仅仅以误差函数(损失函数)为目标准则进行优化很可能导致回归信息模糊不清、忽略占据主导位置的特征信息。

发明内容

为了解决以上的技术问题，本申请提供一种特征提取模型训练方法、装置、及计算机设备，通过构建合理的模型以及对模型的训练实现对于特征的精确提取。

为了达到上述目的，本申请实施例采用的技术方案如下：

第一方面，一种特征提取模型训练方法，其特征在于，包括：获取待训练使用的样本数据；输入所述样本数据至所述待训练模型，分别得到重构误差函数信息和目标预测误差函数信息；融合所述重构误差函数和所述目标预测误差函数为区分复合误差函数；训练所述待训练模型直至误差满足预设值，并提取所述样本数据中的特征提取向量，输入所述特征提取向量至神经网络进行训练直至所述特征提取向量误差满足预设值。

在本发明的一种示例性实施例中，所述模型结构包括区分降噪自编码网络和ANN神经网络。

在本发明的一种示例性实施例中，输入所述样本数据至所述待训练模型，分别得到重构误差函数信息和目标预测误差函数信息，包括：输入所述样本数据至所述自编码网络得到重构误差函数信息；输入所述样本数据经编码输入至所述ANN神经网络得到目标预测误差函数信息。

在本发明的一种示例性实施例中，训练所述待训练模型直至误差满足预设值，包括：基于所述区分复合误差函数，利用梯度下降算法训练区分降噪自编码网络，直到获取的误差满足预设误差值。

在本发明的一种示例性实施例中，所述区分降噪自编码网络包括隐含层。

在本发明的一种示例性实施例中，提取所述样本数据中的特征提取向量，包括：当区分降噪自编码网络中的误差满足预设误差值时，从隐含层得到输入样本数据的特征提取向量。

在本发明的一种示例性实施例中，输入所述特征提取向量至神经网络进行训练直至所述特征提取向量误差满足预设值，包括：将提取的特征提取向量输入至所述ANN神经网络模型进行训练，直至所述特征提取向量误差满足预设误差值。