[发明专利]一种自动生成样本的多牌号化工过程软测量建模方法

权利要求书

1.一种自动生成样本的多牌号化工过程软测量建模方法，其特征在于，所述方法包括以下步骤：

(1)划分多牌号化工过程数据集

将从多牌号化工过程中采集到的数据作为原始数据，按设定比例划分为训练集和测试集，以便于交叉验证；

(2)AGAN模型原理及训练过程

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)构建新训练集

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)根据新的训练集调节软测量模型参数

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；

所述步骤(2)的过程如下：

步骤2.1：建立基于梯度惩罚和Wasserstein距离的生成对抗网络；

Wasserstein距离是用于衡量两分布之间的距离，计算公式如下：

其中：P_r为真实数据的分布；P_g为生成数据的分布；Π(P_r,P_g)为P_r和P_g组合起来的所有可能的联合分布的集合；(x,y)～γ表示为从γ中采样得到一个真实数据x和一个生成数据y；||x-y||为真实数据与生成数据之间的距离；为期望；inf表示取下界；整个W函数表示为在所有的联合分布中对期望值取到的下界，将此期望值定义为Wasserstein距离；

将上述计算公式转换为如下公式：

其中：x服从P_r的分布；服从P_g的分布；f(x)为包含x的函数，为包含的函数；K为函数f的Lipschitz常数，表示为在一个连续函数f上加一个限制，使得存在一个常数K≥0让定义域内的任意x₁和x₂都满足|f(x₁)-f(x₂)|≤K|x₁-x₂|；||f||_L≤K表示函数f的Lipschitz常数不超过K；sup表示取上界；整个W函数表示在函数f的Lipschitz常数不超过K的情况下，1/K倍的的上界；

其中：f_w(x)为包含x的函数；为包含的函数；f_w为带参数w的一系列函数，此函数将由生成对抗网络中的网络构造；

根据Wasserstein距离的理论推导，生成对抗网络中，判别器D和生成器G的损失函数如下：

其中：S(D)为判别器损失函数；S(G)为生成器损失函数；P_r为真实数据的分布；P_g为生成数据的分布；x服从P_r的分布；服从P_g的分布；D(x)为包含x的函数；为包含的函数；

改进后的判别器的损失函数如下：

其中：为在和x的连线上随机插值采样的值；为的分布；ε为[0,1]之间的随机数；λ是梯度惩罚的系数；为函数的梯度的2范数；第一个部分为是生成器生成数据判别为真实数据的概率的期望，第二个部分为真实数据判别为真实数据的概率的期望，第三部分为梯度惩罚；

步骤2.2：基于梯度惩罚和Wasserstein距离的生成对抗网络的网络结构

AGAN由生成器和判别器两部分组成，分别为生成器和判别器；生成器由多层感知机构成，输入为符合标准高斯分布噪声，感知机的层数需要根据应用对象决定，第一层为输入层，中间层为隐藏层，最后一层为输出层，输出层的维度输入层维度相同，输入层和隐藏层的激活函数为修正线性单元ReLU；判别器由多层感知机构成，输入为原始训练数据或者生成数据，感知机的层数需要根据具体应用对象决定，第一层为输入层，中间层为隐藏层，最后一层为输出层，输入层和隐藏层的激活函数为修正线性单元；

步骤2.3：基于梯度惩罚和Wasserstein距离的生成对抗网络的训练过程如下

生成器用于捕捉样本数据分布，判别器用于估计一个样本数据来自真实数据而非生成数据的概率；生成器的输入为一组高斯分布的噪声，为生成器提供预先的数据分布，生成器能够将此数据分布转化为一组虚拟数据，即生成数据；判别器的输入为真实数据和生成数据，判别器的输出为输入样本是真实数据的概率；根据生成器损失函数，最大化判别器的输出概率能让生成器的损失下降，即生成器的能力提高，使得虚拟数据越接近真实数据的分布；根据判别器损失函数，最小化判别器的输出概率能让判别器的能力提高，使得判别器分辨真实数据与虚拟数据准确率越高；这就是生成对抗网络中，判别器和生成器的对抗性，当判别器和生成器达到平衡时，此时训练过程结束；

步骤2.4：基于梯度惩罚和Wasserstein距离的生成对抗网络参数更新，过程如下：

初始化相关参数：梯度惩罚系数：λ＝10；w为判别器参数；θ为生成器参数；每次训练生成器，训练判别器的次数，n_critic＝5；自适应矩估计的参数：α＝0.0001，β₁＝0，β₂＝0.9；m为采样的个数；

2.4.1)x从真实数据分布P_r中采样，z服从隐空间P(z)，隐空间由上述高斯分布的噪声定义，ε为[0-1]之间的随机数；

2.4.2)判别器损失的计算公式如下：

其中：G_θ(z)为包含z的函数，将z通过生成器进行数据的生成；S(D)⁽ⁱ⁾为第i个数据在判别器中计算的损失；为包含的函数；D_w(x)为包含x的函数；为函数的梯度的2范数；

2.4.3)根据自适应矩估计算法Adam，优化判别器的参数，梯度计算公式如下：

其中：为的梯度，采用批梯度下降法，每次使用m个样本更新w参数；

2.4.4)重复步骤1-4n_critic次；

2.4.5)从P(z)中采样m个样本根据Adam梯度下降法，优化生成器的参数，梯度计算公式如下：

其中：为的梯度，采用批梯度下降法，每次使用m个样本更新θ参数。