专利交易市场

一种基于时序图网络的发酵过程软测量建模方法，属于发酵过程软测量技术领域。它包括以下步骤：(1)数据的获取和整合:获取不同工况下的青霉素发酵过程，对数据进行划分、收集和整合；(2)数据选择:对数据进行选择，去除冗余无用的数据并建立变量之间因果图；(3)建模训练:构建算法模型，并进行学习训练；(4)模型预测：使用训练后的算法模型进行预测，并给出预测结果。本发明提出了一种基于时序图网络的发酵过程软测量建模方法，提高了发酵过程关键产品质量的预测准确度；本方法利用图卷积网络和长短期记忆，在时间和空间维度上对数据进行提取，增加了模型的泛化性；本方法可以对不同发酵过程的关键产品质量进行精准测量。

融合定性和定量信息的隐变量高斯过程软测量建模方法，所述方法包括以下步骤：1)、获取聚丙烯数据；2)、确定聚丙烯数据的训练集与测试集以及预处理工作；3)、融合定量因素与定性因素构建新的过程变量；4)、学习有效的潜层变量；5)、建立基于隐变量的软测量模型；6)、模型表现评估。本发明采用一种融合定性和定量信息的隐变量高斯过程软测量模型，解决了具有高维数据特性的“小样本”建立可靠软测量模型困难的问题。相比于传统的软测量建模方法，所提方法可以较大地提升模型的预测性能，具有普遍性和通用性。

一种自动生成样本的多牌号化工过程软测量建模方法，包括以下步骤：(1)将从多牌号化工过程中采集到的数据作为原始数据，划分为训练集和测试集；(2)建立基于梯度惩罚和Wasserstein距离的生成对抗网络AGAN，将所划分的训练集输入所建立的生成对抗网络，对网络进行训练；(3)利用训练好的AGAN生成虚拟样本，与原有的训练集共同形成新的训练集；(4)利用新的训练集作为驱动数据，进行软测量建模的训练，调节软测量模型参数以适应新的训练集，利用训练好的软测量模型进行多牌号化工过程关键质量变量的预测。本发明利用自动生成对抗网络生成数据，以弥补数据量的不足，提高了基于数据驱动的软测量模型的预测准确度。

本发明公开了一种基于快速成分迁移学习的发酵过程软测量建模方法，包括以下步骤：1)获取青霉素数据；2)青霉素数据的预处理以及数据集划分；3)适配源域和目标域的边缘分布；4)建立基于正则化极限学习机的软测量模型；5)模型表现评估。本发明基于迁移成分分析方法，减小了源域和目标域的特征分布距离，使得两组数据的特征分布相似。随后采用正则化极限学习机方法在映射后的源域数据上建立软测量模型，并预测目标域青霉素的浓度。

本发明公开了一种工业过程关键性指标软测量的建模方法，采集关键性的指标变量；使用t‑SNE提取数据特征；构建多层软测量集成模型，第一层建立基于误差校正的基模型，使用GRU，LightGBM，KNN分别预测，并使用TOCSA算法优化的XGBoost对初步预测结果进行校正。第二层建立基于误差加权的融合模型，将第一层各模型的软测量预测结果进行加权融合，利用LSSVM模型对这一融合结果进行进一步预测，得到了两组预测结果。第三层建立二次误差加权的集成模型，将第二层得到的两组结果再次基于误差加权得到最终结果。使用建立好的模型对工业中难以检测的关键指标进行软测量预测。本发明能够提高建模精度、增强模型的鲁棒性，能够适应复杂工业过程，并提高实时性和响应速度。

本发明涉及一种矿浆铜品位在线预测软测量建模方法，采集铜矿浮选过程中能够直接测量的过程变量数据#imgabs0#采集人工标定的实验室标定铜品位样品数据#imgabs1#其中N为样本量，P为过程变量，R为实数集；对所述过程变量和实验室标定样品数据进行数据预处理，处理后的数据集，包括输入变量X∈RN×P和输出变量Y∈RN×1；并将处理后的数据集划分为训练集、测试集；获得软测量模型计算测试集的预测值公式，最后进行验证，本方法可以同时考虑变量选择和网络模型结构动态调整的问题，可以降低模型的复杂度，提高模型的在线预测能力。