一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法
专利汇可以提供一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于堆叠稀疏高斯伯努利受限 玻尔兹曼机 和 强化学习 的故障分类模型及方法，它由强化学习Q‑learning方法和稀疏 深度信念网络 模型组成；通过逐层无监督预训练SDBN网络，之后结合强化学习Q‑learning方法对整个网络进行梯度下降训练，调整网络权重，充分考虑样本之间相邻 采样 点的相关性以及过程数据在时序上的动态性特点，进一步提升模型对过程非线性、动态性数据的特征提取能 力 ，从而提升故障分类的准确度；本发明可以有效地解决因过程数据的非线性和故障数据动态性等特点导致的故障分类准确率低的问题。，下面是一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法专利的具体信息内容。
1.一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型的故障分类方法，其特征在于，
所述的堆叠稀疏高斯伯努利受限玻尔兹曼机分为四层，第一层为输入层，第二、三层为隐藏层，第四层为类别层，其中第一层和第二层构成一个稀疏高斯伯努利受限玻尔兹曼机，即SGRBM，第二层又和第三、四层构成一个稀疏类别高斯伯努利受限玻尔兹曼机，即SCGRBM，经过堆叠共同构成稀疏深度信念网络；故障分类模型相关的参数包括：输入层和隐藏层1的连接权重为W1，隐藏层1和隐藏层2的连接权重为W2，隐藏层2和类别层的连接权重为U，输入层、隐藏层1、隐藏层2和类别层的偏置分别为a、b1、b2、c；该模型对应数据的输入变量为X，输出变量为Y；
所述的故障分类模型训练过程包括预训练和微调两步，其中，所述的预训练的过程如下：
应用CD算法更新参数θ1＝{W1，a，b1}，更新隐藏层偏置b1使之满足稀疏约束条件，不断重复更新θ1和b1直至收敛；在SGRBM训练完成后，即可从输入数据中提取出隐藏层1的特征h1＝σ(W1X+b1)，其中，σ(·)表示非线性激活函数；再将提取出来的特征h1作为SCGRBM网络的输入，结合类别标签信息，进行SCGRBM的训练，包括双向吉布斯采样、梯度下降法更新参数并使优化函数满足稀疏性约束条件；
所述的微调为通过Q-learning方法对整个稀疏深度信念网络的权重进行微调，过程如下：
(1)将输入数据按照采样时间序列化，使相邻样本的采样时间也相邻，假设状态和动作序列是：St＝X1,a1,X2,a2,…,at-1,Xt，其中，Xt表示t时刻下的状态，对应于t时刻下的输入数据，at表示t时刻下采取的动作，对应于t时刻稀疏深度信念网络输出的类别，基于动作at，得到一个对应的奖励rt，rt表示对样本拟合程度；
(2)经过轮次t，得到累计奖励为 其中T为完成训练的轮次，γ为折
扣系数，最大化每个序列轮次的累计奖励，即Q-learning的训练目标，从而实现对整个稀疏深度信念网络的权重的微调，得到训练好的Q-SDBN模型；
所述的故障分类方法包括如下步骤：
步骤一：收集历史工业过程的离线数据组成建模用的训练数据集，所述的训练数据集为含有故障类别标签的有标签数据集D＝{(xi，yi)}，其中yi∈{1,2,…,C},i＝1,2,…,n，n表示有标签数据集的样本个数，C代表类别个数；
步骤二：将步骤一中收集到的训练数据集标准化，将过程变量化成均值为0，方差为1的新的数据集 并通过one-hot编码将表示类别的标量转化为一维向量；
步骤三：将有标签样本集 作为输入，对所述的堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型进行训练，从而得到训练好的基于Q-learning方法的稀疏深度信念网络，即Q-SDBN网络；
步骤四：收集新的未知故障类别的工业过程数据，将过程变量标准化得到数据集步骤五：将数据集 输入到步骤三训练好的Q-SDBN网络中，通过两层隐藏层的特征提取并计算动作值函数，根据最大的动作值函数判断故障的类别。
2.根据权利要求1所述的基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型的故障分类方法，其中在提取隐藏层的特征时所用的非线性激活函数σ(·)为sigmoid函数。
3.根据权利要求1所述的基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型的故障分类方法，所述的稀疏深度信念网络的训练过程中的学习率指数衰减的衰减系数为0.01-0.1，隐藏层的稀疏概率值为0.85-0.95，Q-learning的折扣系数为0.95-
0.99。
4.根据权利要求1所述的基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型的故障分类方法，采用的分类准确率的计算公式为：
其中，S为实际标签为其所属类故障的样本数，CT为实际标签为其所属类故障的样本被正确分为该类的样本数。
一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的
故障分类模型及方法
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 步长预测方法、控制器、定位设备和可读存储介质 | 2020-05-08 | 182 |
| 基于泛函深度信念网络的日太阳辐射资源评估方法 | 2020-05-15 | 529 |
| 一种基于语音属性分类的交互系统及其方法 | 2020-05-19 | 590 |
| 一种语音识别方法及装置 | 2020-05-17 | 483 |
| 一种基于有限元和深度信念网络的均压环优化设计方法 | 2020-05-17 | 138 |
| 基于深度信念网络和扫描叠加的微震源自动定位方法 | 2020-05-08 | 317 |
| 一种新型的配电网运行状态画像分析方法 | 2020-05-18 | 619 |
| 一种变电站二次设备状态监测方法及可读存储介质 | 2020-05-19 | 236 |
| 结合判别式深度置信网络和主动学习的心电分类方法 | 2020-05-16 | 886 |
| 一种跨模态检索方法及系统 | 2020-05-15 | 91 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
