(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211129832.4 (22)申请日 2022.09.16 (71)申请人 郑州轻工业大 学 地址 450000 河南省郑州市高新 技术产业 开发区科 学大道136号 (72)发明人 岳伟超　万晓雪　钱晓亮　柴佳宁　 侯凌峰　王乾　栗三一　任航丽　 刘向龙　 (74)专利代理 机构 郑州优盾知识产权代理有限 公司 41125 专利代理师 张彬 (51)Int.Cl. G06K 9/62(2022.01) G06F 17/16(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于对抗shapelet学习的阳极效应早期预 报方法 (57)摘要 本发明提出了一种基于对抗shapelet学习 的阳极效应早期预报方法， 应用于故障位置、 故 障信号趋势的诊断与预测。 其步骤为： 首先， 根据 铝电解槽阳极的位置关系计算阳极电流信号的 邻接矩阵； 其次， 根据阳极电流信号的邻接矩阵， 获取自适应空间结构的shapelet学习分类器， 并 构建多头对抗神经网络； 最后， 利用自适应网络 shapelet学习方法对 抗神经网络进行优 化， 得到 对抗神经网络模 型； 并将输入时间序列输入对抗 神经网络模 型得到分类结果。 本发 明通过建立自 调节邻接矩 阵作为自适应网络和多样性规则化 的约束为后续的子序列特征学习； 通过将对抗网 络与shapelet学习方法相结合 ， 加强了 shapelets的可解释性。 权利要求书3页 说明书8页 附图1页 CN 115423026 A 2022.12.02 CN 115423026 A 1.一种基于对抗shapelet学习的阳极效应早期预报方法， 其特 征在于， 其 步骤如下： 步骤一： 根据铝电解槽阳极的位置关系计算阳极电流信号的邻接矩阵； 步骤二： 根据步骤一的阳极电流信号的邻接矩阵， 获取自适应空间结构的shapelet学 习分类器； 步骤三： 基于自适应空间结构的shapelet学习分类 器构建多头对抗神经网络； 步骤四： 利用 梯度下降优化算法对抗神经网络进行优化， 得到最终的多头对抗神经网 络模型； 并将输入时间序列输入多头对抗神经网络模型 得到分类结果。 2.根据权利要求1所述的基于对抗shapelet学习的阳极效应早期预报方法， 其特征在 于， 所述阳极电流信号的邻接矩阵的计算方法为： 定义阳极电流信号的图结构； 并根据 阳极电流信号的平面图计算阳极电流信号的距离 表示矩阵Ma： 其中， 代表了阳极vi和vj之间的水平距离， Va＝{v1a,v2a,…,v12a},Vb＝{v1b,v2b,…, v12b}是在同一阳极母线下的阳极的集 合； 对Ma进行滤波得到矩阵Mr： 对矩阵Mr进行标准化， 得到阳极电流信号的邻接矩阵M： 其中， 是对角矩阵， 是度矩阵； 将阳极电流信号的邻 接矩阵M定义为固定的邻 接矩阵M， 将自适应的邻接矩阵定义为动 态的邻接矩阵P， 则综合邻接矩阵A＝(1 ‑τ )M+τP， 其中， W1＝XM1， W2＝ XM2。 T是输入特征的维度， Cout是输出特征的维度， M1和M2是两个映 射空间的参数， M1和M2通过将输入X映射到两个空间W1＝XM1和W2＝XM2中， 其中 3.根据权利要求1所述的基于对抗shapelet学习的阳极效应早期预报方法， 其特征在 于， 所述多头对抗神经网络包括多头鉴别器和多头生成器； 生成器Gk包括三层的反卷积层和批归一化层， 所有的批归一化层后面都有一个ReLU激 活函数； 多头生成器的损失函数定义如下： LossGk＝ λgBCELoss(D(sk),labelreal)+LossC； 其中， LossGk是生成器Gk的损失函数， λg表示鉴别器损失的权重， D(sk)表示鉴别器D对应 输入子序列sk预测的标签， labelreal表示真实的标签， BCELoss是线性交叉熵损失函数， sk＝权　利　要　求　书 1/3 页 2 CN 115423026 A 2Gk(z)是第k个shapelet， k＝1,2, …,K， K是shapelets的数量， LossC是分类器C的最小化损 失函数； BCELoss表达式为： 其中， V是一个分类 器， 输入是 X， 输出是Y。 鉴别器包括 三个卷积层， 鉴别器D的损失函数为 LossD， 表达式为： 其中， labelfake表示假的标签。 4.根据权利要求3所述的基于对抗shapelet学习的阳极效应早期预报方法， 其特征在 于， 所述自适应空间结构的shapelet学习分类 器的实现方法为： 计算sk与原始序列X的最小距离： 其中， 表示sk与单变量时间序列Xn的距离， α表示软距离近似值的调整参 数； 的表达式为： 其中， d(sk,Xj”,n)表示子序列sk与Xj”,n之间的欧式距离； 通过定义 参数矩阵Wk获取X的预测标签 其中， Dk表示sk与原始序列X的最小距离； 通过最小化损失函数L ossC来获取准确率比较高的shapelets： 其中， λw表示分类器 规则化的参 数， λA表示自 调整空间网络规则化的参数， W表示分类器的参数矩阵， 表示第k个shapelet对应输入时 间序列第u个变量的距离值， 表示表示第k个shap elet对应输入时间序列第v个变量的距权　利　要　求　书 2/3 页 3 CN 115423026 A 3