一种基于卷积自编码器-多时序通道卷积神经网络的软测量模型构建方法

技术特征：

1.一种基于卷积自编码器-多时序通道卷积神经网络(cae-mc-cnn)的软测量模型构建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于卷积自编码器-多时序通道卷积神经网络的软测量模型构建方法，其特征在于，所述步骤(3)中构建卷积自编码器模块，设计训练器并设置网络超参数，具体的实施过程如下所示：

3.根据权利要求1所述的一种基于卷积自编码器-多时序通道卷积神经网络的软测量模型构建方法，其特征在于，所述步骤(5)中构建多时序通道卷积神经网络模块，设计训练器并设置网络超参数，具体的实施过程如下所示：

4.根据权利要求1所述的一种基于卷积自编码器-多时序通道卷积神经网络的软测量模型构建方法，其特征在于，所述步骤(7)中构建用于各个质量变量测量的各个子全连接神经网络模块，设计训练器并设置网络超参数，具体的实施过程如下所示：

技术总结
本发明公开一种新的基于卷积自编码器‑多时序通道卷积神经网络的软测量模型构建方法，旨在针对多采样率质量变量数据，研究软测量模型的构建方式。本发明的主要核心是先使用卷积自编码器模块提取过程变量之间的时序相关特征，再通过时序通道卷积神经网络模块提取多个质量变量之间的共性特征，最后使用多个对应的子全连接神经网络模块完成每个质量变量的最终预测，从而完成软测量模型的构建。此外，本发明方法在考虑模型效果的同时，还考虑了模型训练的时间和模型的可操作性。相较于其他方法，该发明方法可以更好更快地处理多采样率质量变量数据，并且获得更优的效果。可以说，本发明方法是一种更为优秀的软测量模型构建方法。

技术研发人员：宋冰,周奕辰,侍洪波,宋敬儒,张兴家,马遥
受保护的技术使用者：华东理工大学
技术研发日：
技术公布日：2024/3/24