技术特征：
1.一种基于堆叠泊松自编码器网络的计数数据软测量建模方法，其特征在于，该方法包括如下步骤：s1：收集建模用的输入输出训练数据集：其中，x代表输入变量，y代表离散计数数据类型的输出变量，n表示数据样本个数；s2：构建堆叠泊松自编码器网络，所述堆叠泊松自编码器网络由多个监督泊松自编码器分层堆叠而成，前一个监督泊松自编码器的隐藏层的输出作为下一个监督泊松自编码器的输入层的输入；所述监督泊松自编码器包括一个输入层、一个隐藏层和一个输出层，从隐藏层到输出层包含输入重构网络层和泊松网络层，所述输入重构网络层用于对输入向量进行重构，所述泊松网络层用于对计数型质量数据进行预测；随机初始化堆叠泊松自编码器网络的泊松网络权重、神经网络连接权重及偏置参数。s3：将训练数据输入给堆叠泊松自编码器网络，根据最小化损失函数训练第一个监督泊松自编码器，获得第一个监督泊松自编码器的权重和偏置参数和隐藏层的输出将h1作为第二个监督泊松自编码器的输入层的输入，根据最小化损失函数训练第二个监督泊松自编码器，获得对应的权重和偏置参数，以此层层递进，使用h
k-1
，根据训练第k个监督泊松自编码器spae
k
获得参数和h
k
，直到最后一个监督泊松自编码器训练完成；k≤l，其中，l为监督泊松自编码器的数量；s4：结束s3的逐层训练后，在第l个监督泊松自编码器的隐藏层的输出h
l
和输出变量y之间建立泊松网络进行回归，根据预测误差对回归网络参数进行调整更新；回归网络训练结束并保存堆叠泊松自编码器网络；s5：将待预测输入数据输入到保存的堆叠泊松自编码器网络，经过堆叠泊松自编码器网络的前向传播即可得到计数型质量变量预测值。2.根据权利要求1所述的基于堆叠泊松自编码器网络的计数数据软测量建模方法，其特征在于，所述s3中，监督泊松自编码器中的编码器表示为：h＝σ(w
e
·
x+b
e
)其中，σ代表sigmoid激活函数，x是输入层的输入向量，h是隐藏层的输出向量，w
e
和b
e
分别表示编码器的权重和偏置；监督泊松自编码器中的解码器表示为：监督泊松自编码器中的解码器表示为：其中，exp代表指数函数，w
r
和b
r
分别表示解码器中重构输入向量的权重和偏置；w
p
和b
p
分别表示泊松网络层的权重和偏差参数，表示重构后的输入向量，表示预测的输出向量；所述损失函数l
rec
表示为：
其中，λ表示对输入向量的重构误差和输出向量的预测误差的权重的比值；的含义为二范数，
⊙
表示哈达玛积。3.根据权利要求1所述的基于堆叠泊松自编码器网络的计数数据软测量建模方法，其特征在于，所述s3中，第k个监督泊松自编码器的训练过程表示如下：特征在于，所述s3中，第k个监督泊松自编码器的训练过程表示如下：特征在于，所述s3中，第k个监督泊松自编码器的训练过程表示如下：特征在于，所述s3中，第k个监督泊松自编码器的训练过程表示如下：其中，k＝1,2,
…
l，和分别是第i个样本在第k个监督泊松自编码器的输入数据和重构的数据，和分别是第k层编码器和解码器的权重矩阵以及偏置项；通过如下的子步骤来实现：第k个监督泊松自编码器训练的损失函数如下：其中，y
i
和分别代表第i个样本对应的计数型质量变量实际观测值和其在第k个监督泊松自编码器的预测值。4.根据权利要求1所述的基于堆叠泊松自编码器网络的计数数据软测量建模方法，其特征在于，所述s4中，预测的输出变量的计算公式如下：其中，w
y
和b
y
分别表示泊松网络的权重和偏置；损失函数如下：
技术总结
本发明公开了一种基于堆叠泊松自编码器网络的计数数据软测量建模方法，其中提出了一种堆叠泊松自编码器网络结构。该编码器在预训练阶段引入计数型质量变量来指导特征提取，且针对计数数据的离散性，质量变量是通过泊松回归网络层的方式集成到深度堆叠自编码器框架中，使得模型学习到的特征表示与计数型质量变量高度相关。本发明方法不仅提升了计数数据软测量模型的特征提取能力，并且提升了计数型质量变量的预测效果。量变量的预测效果。量变量的预测效果。
技术研发人员：张新民 刘颖 宋执环 朱哲人
受保护的技术使用者：浙江大学
技术研发日：2022.04.18
技术公布日：2022/7/1