[发明专利]热误差预测模型创建方法和基于关键误差的物理-边-雾-云误差控制系统

权利要求书

1.一种热误差预测模型创建方法，其特征在于：包括如下步骤：

步骤一：利用极端梯度提升算法对输入变量的特征重要性进行排序，从所有m个特征中选出前k个构成特征组合；将前k个特征根据其重要性进行加权，得到每个特征的权重，以每个特征及其权重的乘积作为模型的输入变量；

步骤二：对LSTMNN模型的内部神经元特征进行排序，将层次结构整合到LSTMNN模型中，得到ON-LSTMNN模型，再引入双向机制，构建BiON-LSTMNN模型；

步骤三：训练BiON-LSTMNN模型，以ISFO算法优化BiON-LSTMNN模型的批量大小和隐藏神经元数量，直至满足适应度函数的预设要求；

步骤四：以优化得到的批量大小和隐藏神经元数量作为BiON-LSTMNN模型的超参数，构建得到热误差预测模型。

2.根据权利要求1所述的热误差预测模型创建方法，其特征在于：所述极端梯度提升算法的目标函数为：

其中，表示预测值；y_i表示目标值；表示第i个样本的预测误差；表示作为正则化项的所有k-trees的复杂度之和，且：

其中，L^k表示k^th树的目标函数；表示k-1^th树的预测值；f_k(x_i)表示加入新模型的预测值；γ表示叶子的节点数的权重；T表示第k棵树的叶子节点数；λ表示L2正则化项的权重；w表示叶子结点权重向量的范数；

对于损失项，在处执行二阶泰勒展开，得到：

其中，表示损失函数L^k的一阶偏微分，表示损失函数L^k的二阶偏微分；

删除常数项后，得到：

样本在每个节点上被分解为若干个样本，其中，I_j＝{i|q(x_i)＝j}被定义为j^th叶中的样本集，w_j表示第j个叶子的权重；

函数在叶子节点上被归约为一个统一的和：

当w_j为时，得到目标函数的最优值：

3.根据权利要求2所述的热误差预测模型创建方法，其特征在于：每个特征的权重为：

其中，F_iscore表示第i个特征的重要性分数，则输入变量为[α₁X₁，₂X₂，…α_iX_i…α_kX_k]，X_i表示第i个特征。