基于AANN特征缩放的虚拟样本生成方法及其过程建模应用

摘要：

工业大数据时代的到来推动着智能数据挖掘领域的发展.然而,大数据中的小样本问题严重影响了数据驱动建模的精度.为了解决这一问题,本文提出一种基于自联想神经网络特征缩放的虚拟样本生成方法(FSAANN-VSG).首先,从自联想神经网络(AANN)的特征层出发,扩缩变换小样本自联想网络模型的特征层信息,从而产生新的特征信息,随后经前向计算得到虚拟样本;所提方法采用AANN模型,一方面能够生成符合原始小样本知识的虚拟样本,另一方面能够去除样本间的噪声信息;最终实现样本量增加,同时有助提高模型的精度.为验证本文方法的有效性,首先采用UCI数据库中的Concrete Slump Test (CST)数据集,随后将所提的方法应用于乙烯生产过程建模,仿真结果验证了本文所提方法的有效性,加入虚拟样本后,模型的精度更高、鲁棒性更好.

关键词：虚拟样本生成、自联想神经网络、特征缩放、过程建模

所属期刊栏目：36

分类号：TP183;TP389.1;TQ202(自动化基础理论)

资助基金：国家自然科学基金61890930

在线出版日期：2020-05-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：304-307