(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
专利 基于对抗shapelet学习的阳极效应早期预报方法
安全报告 >
其他 >
文档预览
中文文档
13 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共13页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 思考人生 于 2024-03-03 20:13:31上传分享