[发明专利]一种基于改进的多任务学习矿石基因指数预测方法及装置

权利要求书

1.一种基于改进的多任务学习矿石基因指数预测方法，其特征在于，包括如下步骤：

1)采集矿石物料基因数据，对数据进行标注；

2)矿石基因指数计算；

矿石基因指数模型可以表示为如下非线性函数:

M_i＝f(x₁,x₂,…,x_i)

式中，M为矿石基因指数，f为非线性函数，x₁,x₂,…,x_i为矿石的性质、时间、数量、位置参数；

3)训练数据特征挖掘；

4)利用标注后的数据和特征构建矿石基因指数预测需要的样本集并建立基于改进的多任务学习矿石基因指数预测模型；

5)使用训练好的模型对矿石生产数据进行基因指数预测，使模型不断迭代优化。

2.根据权利要求1所述的基于改进的多任务学习矿石基因指数预测方法，其特征在于，步骤1)中，采集矿石物料基因数据，包括：矿石品位，粒度，以及磨磁和浮选等环节的相关数据采集；对数据进行标注包括：矿石时间指数标签、矿石数量指数标签和矿石位置指数标签，由领域专家进行人工标注。

3.根据权利要求1所述的基于改进的多任务学习矿石基因指数预测方法，其特征在于，步骤3)训练数据特征挖掘，包括对步骤1)数据的矿石性质特征、矿石数量特征、矿石时间特征、矿石空间特征的挖掘。

4.根据权利要求1所述的基于改进的多任务学习矿石基因指数预测方法，其特征在于，步骤3)准备好特征和标签数据之后，进行关联构建样本集，样本集分成训练样本集、验证集和测试集，并且对数据做预处理；预处理包括连续特征的归一化处理和类别特征处理；

连续特征部分的归一化公式如下：

其中mean表示当前连续特征的均值，std表示当前连续特征的方差，ε用来平滑特征分布；

类别特征处理，使用增量训练的方法；模型第一次训练使用的ID特征使用深度学习框架支持的正态分布随机初始化，之后训练会从保存的模型文件中读取保存上次模型保存好的从数据中提取出的特征，加快模型收敛速度。

5.根据权利要求1所述的基于改进的多任务学习矿石基因指数预测方法，其特征在于，步骤4)中基于改进的多任务学习矿石基因指数预测模型的结构包括：

4.1)第一层是输入层，接收矿石底层初始特征；

4.2)第二层是从原始数据中提取的特征层，表征矿石的信息；

4.3)第三层是专家网络层，使用全连接神经网络构建数个不同的专家，每个专家对于最终的任务预测从不同领域视角起到作用；另外，对专家网络设计了门控网络，给每个专家乘以不同的权重，门控网络权重随着模型的训练不断更新；

4.4)第四层是构建Tower层，Tower个数与任务个数相对应；

4.5)最后一层是输出层，不同的任务输出不同的预测分数，乘以各自的任务权重系数，计算最后的总预估分数；

4.6)模型训练的标签是历史数据中记录的矿石时间指数标签，矿石数量指数标签和矿石位置指数标签。