[发明专利]一种基于弱监督学习多层感知器的故障分类方法

权利要求书

1.一种基于弱监督学习的多层感知器的过程数据故障分类方法，其特征在于，所述基于弱监督学习的多层感知器包括：两层感知器MLP、Softmax输出层和高斯混合模型GMM；所述过程数据故障分类方法具体包括如下步骤：

步骤一：收集历史工业过程中含有不准确标签的样本作为训练数据集其中,为不准确标签数据样本，为该样本的标签，N表示训练数据集的样本个数,K为样本类别数；

步骤二：将步骤一中收集到的训练数据集D标准化，即将有标签样本集X每个变量映射为均值为0，方差为1的样本集X_std，并通过one-hot编码将标签集每个样本标签转化为一维向量，得到标准化数据集

步骤三：首先将新数据集D_std作为输入，对感知器MLP的网络进行第一次有监督训练，在Softmax输出层得到样本集X_std属于其标签的后验概率；

步骤四：将步骤三得到的后验概率作为高斯混合模型GMM的输入，并训练高斯混合模型，用训练完成后的高斯混合模型参数来估计标签概率转移矩阵T，得到估计矩阵

步骤五：根据来修正步骤三感知器MLP拟合不准确标签样本的损失函数，以步骤二得到的数据集D_std作为输入，第二次有监督训练步骤三感知器MLP，完成弱监督学习，得到训练好的WS-MLP网络；

步骤六：收集新的未知故障类别的工业过程数据，按照步骤二的方法将过程数据标准化，得到数据集d_std,输入到步骤五训练好的WS-MLP网络，求取样本对应每个故障类别的后验概率，把后验概率最大的类别，作为该样本的类别，实现样本的故障分类。

2.根据权利要求1所述故障分类方法，其特征在于，步骤三具体包括如下步骤：

(3.1)构建感知器MLP的网络，所述感知器MLP的网络由依次连接的第一层隐层、BatchNormalization层、Dropout层、第二层隐层、BatchNormalization层、Dropout层和Softmax层组成；其中，第一层隐层和第二层隐层的权重矩阵和偏置向量分别为W₁,b₁,W₂,b₂,第二层隐层到Softmax层的权重矩阵和偏置向量分别为W₃,b₃，将这些网络参数表示为θ＝{W₁,b₁,W₂,b₂,W₃,b₃}；

(3.2)标准化后样本集D_std作为输入，对感知器MLP的网络进行有监督训练，其中使用交叉熵损失函数：

其中，是MLP网络的最后一层的表示；

损失函数通过反向传播算法(BP)对整个感知器MLP的网络进行参数调整，经过多次迭代损失收敛后，得到整个网络的参数，完成训练。