[发明专利]基于函数型宽度学习网络的复杂制造过程建模与预测方法

说明书

本发明公开了基于函数型宽度学习网络的复杂制造过程建模与预测方法，该方法为：以函数作为模型的输入，利用权重函数提取输入函数的时序特征，利用积分近似方法求得特征映射节点；然后利用注意力机制提取特征映射节点间的相互关系，从而提高模型的表达能力；最后利用求解隐藏层矩阵的伪逆矩阵来计算得到网络权重。本发明降低了对预测的训练数据的采样间隔的要求，既可以实现对等间隔采样数据的预测，同时也能对非等间隔采样数据进行端到端的预测分析。同时，AFBLS利用注意力机制来对特征映射节点进行进一步的特征提取，抽取出了特征映射节点间的相关关系，更进一步的提高了预测的准确度。

技术领域

本发明属于复杂制造过程建模与预测技术领域，涉及基于函数型宽度学习网络的复杂制造过程建模与预测方法。

背景技术

目前大多数数据建模方法是面向等间隔采样数据，然而在实际网络协同制造场景中，由于传输网络存在着延迟、丢包等现象而导致采样数据呈现着非对齐的特性。同时，在一些制造场景中，其数据并未呈现明显的函数性特征。因此，在面对非函数型非对齐的离散数据时，传统的离散数据建模方法及函数性分析方法难以适用。

发明内容

本发明要解决的技术问题是：提供一种基于函数型宽度学习网络的复杂制造过程建模与预测方法，以解决现有技术中存在的问题。

本发明采取的技术方案为：一种基于函数型宽度学习网络的复杂制造过程建模与预测方法，该方法为：首先，利用若干基函数对离散数据进行函数型平滑操作，初步拟合至函数型空间，形成离散数据函数化的初步表达；将拟合生成的基函数系数输入FBLS中，并利用经过稀疏微调的随机特征映射权重提取数据特征，生成特征映射节点；然后，随机生成符合标准正态分布的q、k、v向量，利用自注意力机制提取特征映射节点间的关系值，对映射特征进一步增强，生成增强节点；最后，将特征映射节点与增强节点整合，形成FBLS的隐藏层矩阵，通过求解隐藏层矩阵的伪逆来计算出网络权重，实现FBLS模型的训练。

一种基于函数型宽度学习网络的复杂制造过程建模与预测方法，该方法具体步骤如下：

(1)将观测值平滑得到函数X(s)，则X(s)表示为：其中，称之为基函数，c是基函数系数，P是基函数数量，s∈S，系数c通过最小二乘法方法来确定；得到输入函数X(s)后，输入函数到特征节点的映射方法表示为：

其中，W_i(s)是和X(s)在相同域S上的权重函数，同样用一组基函数的线性组合来表示：M为基函数个数，c_i为经过系数自编码器微调的随机生成的基函数系数，是基函数，其类型和数量均为网络的超参数，根据富比尼定理知，对于一般函数f，若∫∑|f|＜∞或∑∫|f|＜∞，则∫∑|f|＝∑∫|f|(Fubini，1907)，因此公式(1)写成：

其中，公式(1)的通过积分近似方法得到，β_i为随机生成的偏置矩阵；为激活函数；特征映射节点提取数据间一定的时序特征，提取特征节点间的相关关系，将注意力机制引入到增强节点的计算中，将特征映射节点整合生成特征映射层：Z_in＝[Z₁Z₂...Z_n]，则基于注意力机制的增强节点α_ij计算方法为：

α_ij＝qZ_i⊙kZ_j，i，j＝1，2，...，n   (3)

其中，⊙表示点乘操作；q、k、v是满标准正态分布的随机向量，H_i为第i个增强节点，得到所有增强节点后，将m组增强节点整合得到增强层：H_jm＝[H₁，H₂，…，H_m]，则BLS的隐藏层表示为：