-
公开(公告)号：CN112966429B
公开(公告)日：2024-10-18
申请号：CN202010803150.1
申请日：2020-08-11
Applicant: 中国矿业大学
IPC: G06F30/27 , G06N20/10 , G06F18/27 , G06N3/045 , G06N3/0475 , G06N3/094 , G06F111/10
Abstract: 本发明公开了一种基于WGANs数据增强的非线性工业过程建模方法，属于工业生产过程构建性能预测模型技术领域。本发明核心是利用生成对抗网络对非线性工业过程建模小样本数据进行数据增强，将生成样本与原有样本混合构建工业过程模型，降低建模成本。具体是先利用拉丁超立方(LHD)方法采集非线性工业过程建模的小样本数据集；然后利用该部分小样本数据训练Wasserstein生成对抗网络(WGANs)；待WGANs训练达到要求后，利用其生成器产生虚拟样本，选取合适的样本与初始小样本数据混合，完成数据增强；最后基于混合数据和支持向量回归方法为目标工业过程建立合适的数据驱动模型。本发明有效解决了非线性工业过程建模数据不充足问题，充分利用了工业过程的小样本数据，通过数据增强加快了建模速度，提高了建模精度和效率，降低了建模成本。
-
Patent Agency Ranking
公开(公告)号：CN112966429A
公开(公告)日：2021-06-15
申请号：CN202010803150.1
申请日：2020-08-11
Applicant: 中国矿业大学
IPC: G06F30/27 , G06N20/10 , G06K9/62 , G06F111/10
Abstract: 本发明公开了一种基于WGANs数据增强的非线性工业过程建模方法，属于工业生产过程构建性能预测模型技术领域。本发明核心是利用生成对抗网络对非线性工业过程建模小样本数据进行数据增强，将生成样本与原有样本混合构建工业过程模型，降低建模成本。具体是先利用拉丁超立方(LHD)方法采集非线性工业过程建模的小样本数据集；然后利用该部分小样本数据训练Wasserstein生成对抗网络(WGANs)；待WGANs训练达到要求后，利用其生成器产生虚拟样本，选取合适的样本与初始小样本数据混合，完成数据增强；最后基于混合数据和支持向量回归方法为目标工业过程建立合适的数据驱动模型。本发明有效解决了非线性工业过程建模数据不充足问题，充分利用了工业过程的小样本数据，通过数据增强加快了建模速度，提高了建模精度和效率，降低了建模成本。
-
公开(公告)号：CN109902378A
公开(公告)日：2019-06-18
申请号：CN201910138294.7
申请日：2019-02-25
Applicant: 中国矿业大学
Abstract: 本发明公开了一种基于多模型迁移和BMA理论的复杂工业过程低成本建模方法，属于工业生产过程构建性能预测模型技术领域。本发明利用拉丁超立方采集新工业过程建模的初始数据集；然后确定相似旧工业过程模型，利用贝叶斯模型平均理论评估旧工业过程模型对新工业过程建模的权重，得到旧工业过程的融合输出；最后通过多模型迁移策略迁移旧工业过程的有用信息并结合少量新工业过程数据完成新工业过程建模。同时设计了基于嵌套拉丁超立方设计的序贯实验采集新工业过程的最小建模数据集。本发明有效解决了复杂工业过程建模成本高、建模周期长的问题，降低了建模成本，加快了建模速度，提高了建模精度。
-
-
公开(公告)号：CN114035529B
公开(公告)日：2023-09-08
申请号：CN202111411517.6
申请日：2021-11-25
Applicant: 中国矿业大学
IPC: G05B19/418
Abstract: 本发明提供了一种基于ATL‑BMA的非线性工业过程低成本建模方法，选取N组相似旧过程建模数据；收集新过程建模初始数据集；将新旧过程数据分别划分为两部分，并分别进行归一化处理；将N组旧过程数据转换成带有新过程信息的N组旧过程数据，并与相应旧过程数据混合后得到N组混合数据集，然后训练支持向量机模型，得到N个带有新过程信息的旧过程基础模型；将新过程训练集输入变量映射至相似旧过程输入变量运行区间内，并得到这N个预测模型的融合输出；将旧过程SVM模型融合输出和新过程输入数据作为多模型迁移策略的输入数据，训练得到新过程模型。该方法能有效解决复杂工业过程建模成本高、获取的建模数据有限、建模周期长的问题。
-
公开(公告)号：CN114035529A
公开(公告)日：2022-02-11
申请号：CN202111411517.6
申请日：2021-11-25
Applicant: 中国矿业大学
IPC: G05B19/418
Abstract: 本发明提供了一种基于ATL‑BMA的非线性工业过程低成本建模方法，选取N组相似旧过程建模数据；收集新过程建模初始数据集；将新旧过程数据分别划分为两部分，并分别进行归一化处理；将N组旧过程数据转换成带有新过程信息的N组旧过程数据，并与相应旧过程数据混合后得到N组混合数据集，然后训练支持向量机模型，得到N个带有新过程信息的旧过程基础模型；将新过程训练集输入变量映射至相似旧过程输入变量运行区间内，并得到这N个预测模型的融合输出；将旧过程SVM模型融合输出和新过程输入数据作为多模型迁移策略的输入数据，训练得到新过程模型。该方法能有效解决复杂工业过程建模成本高、获取的建模数据有限、建模周期长的问题。
-
-
-
-
-
Search Results
6
records
(took 0.022 seconds)
