公开(公告)号：CN115374848A

公开(公告)日：2022-11-22

申请号：CN202210995943.7

申请日：2022-08-18

Applicant: 浙江大学

Inventor： 张新民 ,  朱泓宇 ,  赵丽丽 ,  何柏村

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于门控多专家混合堆叠自编码器的产品质量预测方法，该方法首先使用多专家混合的设计，由多个专家子网结构接收输入数据。对于每一个专家子网中构建了基于堆叠自编码器的网络结构。之后，对于多专家子网结构的底层利用门控结构作为顶层设计，通过输入信息和数据信息进行权重计算，实现对多专家子网输出结果的加权融合。进一步，利用有标签数据样本集训练基于门控多专家混合堆叠自编码器的产品质量预测模型。模型在应对所预测的系统工况动态变化的过程中，能够实时性地对专家子网权重值进行调整，提高模型的自适应能力，使得模型在对产品质量预测上的预测效果有显著的提升。

公开(公告)号：CN113222045B

公开(公告)日：2022-06-24

申请号：CN202110575307.4

申请日：2021-05-26

Applicant: 浙江大学

Inventor： 张新民 ,  张宏毅

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于加权特征对齐自编码器的半监督故障分类方法，该方法首先使用有标签数据对堆叠自编码器进行重构预训练，并估计重构误差的概率密度分布。然后，根据训练数据重构误差的概率密度函数，计算无标签样本的权重。进一步，利用有标签样本集、无标签样本集以及对应权重，构建基于加权特征对齐自编码器的半监督分类模型。加权特征对齐自编码器分类模型设计了基于加权Sinkhorn距离的交叉熵训练损失函数，该函数使得模型在微调阶段同时使用有标签数据和无标签数据，不仅可以实现数据信息的深度挖掘，还可以提高网络模型的泛化能力。同时，由于加权策略的引入，模型的鲁棒性显著提升。

公开(公告)号：CN113707240A

公开(公告)日：2021-11-26

申请号：CN202110872306.6

申请日：2021-07-30

Applicant: 浙江大学

Inventor： 宋执环 ,  邵伟明 ,  张新民 ,  王静波

IPC: G16C20/70 ,  G16C20/10 ,  G16C20/30 ,  G16C20/90 ,  G06N7/00

Abstract: 本发明公开一种基于半监督非线性变分贝叶斯混合模型的成分参数鲁棒软测量方法，该方法在有监督线性变分贝叶斯混合模型的基础上，设计了非线性组分模型的模型结构，采用极限学习机表示每个组分内辅助变量和成分参数之间的非线性映射关系；然后同时挖掘有标签和无标签样本信息，利用变分贝叶斯算法自动学习模型参数的变分后验分布。应用本发明，可充分表征辅助变量和成分参数之间的非线性映射关系，并能够利用无标签样本提高模型参数学习的准确性，进而有效地提高模型的预测精度，为提高产品质量、降低成本、过程监控以及决策制定提供技术支持和保障。