平行堆栈式自编码器及其在过程建模中的应用.pdf

第31卷 第2期 电子测量与仪器学报 f．3l No．2 · 264 · JOURNALOFELECTRONICMEAsUREMENTAND lNsTRUMENTATION 2017年2月 DOI：10．13382／j．jemi．2017．02．015 平行堆栈式 自编码器及其在过程建模中的应用米 李荣雨 徐宏宇 (南京工业大学 计算机科学与技术学院 南京 211816) 摘 要：在面对流程工业存在的多参数、强非线性和富含复杂机理等问题时浅层算法的学习能力有限，故将深度学 习理论引入 过程工业预测建模中。而针对单个深层网络对多样性数据的特征挖掘困难 ，本文提出一种改进的堆栈式 自编码器。该方法首 先通过聚类算法对输入数据属性进行聚类，按结果将数据分类后输入并行的稀疏自编码器中进行特征的模块式提取，并行输出 经整合后输入至叠加 的深度网络 中，联合这些特征再进行逐层学习得到拟合结果。为减轻过拟合带来 的预测误差，将 “dropout”方法引入网络训练中。在加氢裂化的预测建模研究中，所提出的算法具有比其他方法更好的预测水平和泛化能力。 关键词 ：深度学习；自动编码器 ；加氢裂化；预测 中图分类号：TP181；TP273 文献标识码：A 国家标准学科分类代码：520．2060 Parallelstacked autoencoderanditsapplicationin processmodeling LiRongyu XuHongyu (SchoolofComputerScienceandTechnology，NanjingTechUniversity，Nanjing211816，China) Abstract：Theproblem ofmuhiparameter，nonlinearity aIldcomplexmechanism inprocessindustrylimitstheperformanceofshallow algorithm ，andthereforethedeeplearningisintroducedintotheprocessingindustry predictivemodeling．However，featureminingis insufficientfordiversitydatabysingledeep network，SOan improved stackedautoencoderisproposed．Firstly，attributeofinputis dividedintoseveralclassesbyclusteringalgorithm ，andthentheparallelsparseautoencoderisenteredtodetectfeaturelocally．The paralleloutputisintegratedintothefollowingdeepnetworkstoextractfeaturelayerbylayerandgetthefittingresults．Toovercome predictiveerrorduetotheoverfitting，the “dropout”techniqueisintroduced．Inhtepredictionmodelingofhydroeracking，thepresented algorithm hashetterpredictionlevelandgeneralizationability． Keywords：deeplearning；autoencoder；hydrocracking；prediction 的测量具有严重的时间滞后性，无法及时反馈到生产过 1 引 言 程中，所 以对其有效的预测具有重要意义 。其中经常 使用的预测分析方法有诸如与智能优化算法结合的