[发明专利]基于充分增量学习的能耗预测方法

权利要求书

1.一种基于充分增量学习的能耗预测方法，其特征在于，包括下述步骤：

(1)对能耗数据的多维参数进行整理，并提取出不同轮毂的型号；

(2)对整理好的能耗数据采用加权核主成分分析法进行降维；

所述步骤(2)中，加权核主成分分析法的权重是以不同轮毂的型号作为标签用于权值进行计算的，通过将标签的信息值融合在核矩阵中构造加权核矩阵，加权核矩阵中数据对应的权值为其中u_i表示第i个样本对应的权值向量；

(3)将降维后的数据划分为训练数据和测试数据，对训练数据进行分组后赋予初始权重值；

(4)对第一组训练样本及权重值进行增量学习的首轮学习，并计算得到第一组训练数据的平均相似度值；

(5)将剩余数据不断输入到增量学习的模型中，通过分别与第一组训练数据比较判断相似度值进行不同操作；

(6)当样本之间的相似度大于平均相似度值时，增大现有样本权重值；当样本之间的相似度值小于平均相似度值时，减小现有样本的权重值，并统一存在一起用于下一轮的增量学习，通过多轮增量学习实现充分的增量学习；

(7)在进行上述操作的过程中，每一轮增量学习的阈值参数、数据样本及权重值都会随着数据的不同进行调整；

(8)当某次用于增量学习的数据平均相似度值小于初始平均相似度值的1/2时，增量学习结束，此时，删除所有权重值小于初始权重值1/2的数据；

(9)将得到的数据输入到BP神经网络中进行能耗预测；

(10)采用评价指标均方误差根RMSE对能耗预测结果进行评价。

2.根据权利要求1所述的基于充分增量学习的能耗预测方法，其特征在于：所述步骤(5)中，将欧式距离用于计算多维数据的相似度值，相似度值计算公式如下：

其中dist(x,y)表示新增特征x和现有特征y两个不同故障特征的欧氏距离，即

其中，x_i和y_i代表新增特征x的第i个值和现有特征y的第i个值，x和y之间的差异性越小，欧式距离越小，则相似度值越大，以此衡量新增特征与现有特征之间的相似度。

3.根据权利要求1所述的基于充分增量学习的能耗预测方法，其特征在于：所述步骤(6)中充分的增量学习的过程包括下述步骤：

首先赋予全部数据初始权重值，其次计算第一组数据之间的相似度值，计算得到平均相似度值，然后将其余新增数据分别与第一组数据计算相似度值，当大于已有平均相似度值时，增大现有样本的权重值；当小于已有平均相似度值时，减小现有样本的权重值并将所有数据存到一起，用于进行下一轮的增量学习；在下一轮的增量学习中，首先将已有数据分组，其次计算第一组数据之间的相似度值，计算得到平均相似度值，然后将其余新增数据分别与第一组数据计算相似度值，当大于该平均相似度值时，增大现有样本的权重值；当小于该平均相似度值时，减小现有样本的权重值并将所有数据存到一起，用于进行下一轮的增量学习，直到某次用于增量学习的数据平均相似度值小于初始平均相似度值的1/2时，增量学习结束，此时，删除所有权重值小于初始权重值1/2的数据，完成充分增量学习的全过程。