一种基于双重对抗学习的软测量虚拟建模数据生成方法技术

本发明专利技术公开了一种基于双重对抗学习的软测量虚拟建模数据生成方法，涉及软测量技术领域，基于生成式对抗网络GAN；以多层感知机神经网络(MLP)为基础架构，以Wasserstein距离代替JS散度计算虚拟样本与真实样本间的距离，在损失函数中加入对生成样本的梯度惩罚项；将对抗样本融入到模型优化过程中，引入真实样本的对抗样本；在模型的优化过程中，提出双重对抗训练算法DA

【技术实现步骤摘要】
一种基于双重对抗学习的软测量虚拟建模数据生成方法


[0001]本专利技术涉及软测量
，尤其涉及一种基于双重对抗学习的软测量虚拟建模数据生成方法。

技术介绍

[0002]在很多复杂工业过程中，由于工况环境或经济成本等原因，对很多关键质量变量的测量十分困难，无法实施有效的生产监控。近年来，软测量技术得到了广泛应用，在变量预测方面表现突出，能够解决工业过程中的变量检测困难问题。然而，由于工业现场采集到的质量样本数量有限，容易导致非完整数据集情况，无法满足软测量模型的训练要求，对模型的学习和预测效果带来了严重的负面影响。

技术实现思路

[0003]本专利技术提供一种基于双重对抗学习的软测量虚拟建模数据生成方法，以解决上述技术问题。
[0004]为解决上述技术问题，本专利技术提供的一种基于双重对抗学习的软测量虚拟建模数据生成方法，包括以下步骤：
[0005]S1：基于生成式对抗网络GAN；
[0006]S2：以MLP为网络基础架构，以Wasserstein距离代替JS散度计算虚拟样本与真实样本间的距离，在损失函数中加入对生成样本的梯度惩罚项；
[0007]S3：将对抗样本融入到模型优化过程中，引入真实样本的对抗样本；
[0008]S4：在模型的优化过程中，提出双重对抗训练算法DA
‑
GAN；
[0009]S5：虚拟样本的可接受域计算方法。
[0010]优选的，所述S1中GAN包括生成器generator(G)与判别器discriminator(D)，GAN 的优化是一个极小极大博弈问题，其优化目标为：
[0011][0012]x表示真实数据，z表示输入G网络的噪声，而G(z)表示G网络生成的样本。D(x)表示D判断真实样本是否来自于真实数据的概率，而D(G(z))是D网络判断G生成的样本是否真实的概率。将G(z)替换为则上式简化为：
[0013][0014]优选的，所述S2中对模型的损失函数重新规划如下：
[0015]所述S3中通过鼓励网络对训练数据附近局部区域的判别增强其反向梯度的指导作用，通过发挥对抗样本在模型训练中的积极作用提高模型训练的准确率与鲁棒性；
[0016]首先，基于判别器D对于真实样本x的梯度，生成一个扰动信号：
[0017][0018]通过控制权重参数ε生成任意L
‑
∞范数距离的对抗样本，ε可以用来控制噪声的幅值，它的值需根据实际任务进行选择；
[0019]在此基础上，构建真实样本的对抗样本：
[0020][0021]优选的，所述S4中在G与D的对抗训练之外，开展D针对真实样本的对抗训练，对 D形成附加的梯度及参数更新，形成双重对抗训练模式，训练过程采用了小批量随机梯度下降训练方法。
[0022]优选的，所述S5中基于TMIE函数，利用对真实样本的分析划分出可接受的样本分布范围，在此范围内筛选出更加可行的虚拟样本，TMIE函数通过使用三角结构估计样本集的潜在总体分布，并能够非对称地扩展可接受的域范围。
[0023]与相关技术相比较，本专利技术提供的一种基于双重对抗学习的软测量虚拟建模数据生成方法具有如下有益效果：
[0024]基于生成式对抗网络GAN，对模型结构与学习方法做出改进和创新，构造新的目标函数，引入真实样本的对抗样本，开展基于对抗网络与对抗样本的双重对抗学习。通过减弱判别器梯度中包含的的非信息性对抗噪声，不仅有效指导生成器的训练，克服生成器收敛慢的问题，同时实现对复杂真实数据分布的准确学习，与其他常见生成方法相比，所生成的虚拟样本具有更高的仿真性，更加符合真实样本分布，能够为软测量建模补充高质量的训练数据，有效降低软测量预测误差。
附图说明
[0025]图1为本专利技术提出的一种基于双重对抗学习的软测量虚拟建模数据生成方法的基础 GAN模型结构图；
[0026]图2为本专利技术提出的一种基于双重对抗学习的软测量虚拟建模数据生成方法的生成方法DA
‑
GAN的方法原理图；
[0027]图3为本专利技术提出的一种基于双重对抗学习的软测量虚拟建模数据生成方法的原始数据集、真实训练集、以及虚拟样本集的关系图；
[0028]图4为本专利技术提出的一种基于双重对抗学习的软测量虚拟建模数据生成方法的基于 TMIE函数的虚拟样本观测范围扩展图；
[0029]图5为本专利技术提出的一种基于双重对抗学习的软测量虚拟建模数据生成方法的工业软测量实验流程图；
[0030]图6为本专利技术提出的一种基于双重对抗学习的软测量虚拟建模数据生成方法的实验背景苯乙烯的制备过程图；
[0031]图7为本专利技术提出的一种基于双重对抗学习的软测量虚拟建模数据生成方法与其他五种生成模型的判别器与生成器损失曲线对比图；
[0032]图8为本专利技术提出的一种基于双重对抗学习的软测量虚拟建模数据生成方法与其他物种方法的虚拟数据集与真实数据集的t
‑
SNE二维可视对比图；
[0033]图9为基于本专利技术提出的一种基于双重对抗学习的软测量虚拟建模数据生成方法
与其他五种方法所提供的不同训练集的软测量模型测试误差图；
[0034]图10为基于本专利技术提出的一种基于双重对抗学习的软测量虚拟建模数据生成方法与其他五种方法所提供的不同训练集的软测量模型测试样本预测值散点图(虚拟样本数量 500)；
[0035]图11为基于本专利技术提出的一种基于双重对抗学习的软测量虚拟建模数据生成方法与其他五种方法所提供的不同训练集的软测量模型测试样本预测值散点图(虚拟样本数量 1000)；
[0036]图12为基于本专利技术提出的一种基于双重对抗学习的软测量虚拟建模数据生成方法与其他五种方法所提供的不同训练集的软测量模型对测试样本的预测曲线图。
具体实施方式
[0037]实施例，由图1
‑
12给出，本专利技术包括以下步骤：
[0038]S1：基于生成式对抗网络GAN；
[0039]S2：以MLP为网络基础架构，以Wasserstein距离代替JS散度计算虚拟样本与真实样本间的距离，这样可以在数据分布有较大差距时仍能提供稳定有价值的差异信息，加入对生成样本的梯度惩罚项以增强训练的稳定性，并避免过拟合问题；
[0040]S3：将对抗样本融入到模型优化过程中，引入真实样本的对抗样本；
[0041]S4：在模型的优化过程中，提出双重对抗训练算法DA
‑
GAN；
[0042]S5：虚拟样本的可接受域计算方法。
[0043]所述S1中GAN包括生成器generator(G)与判别器discriminator(D)，生成器G和辨别器D使用独立学习模型，生成器G负责通过对采样的随机变量z进行加工，模拟真实环境，通过捕捉真实数据样本的潜在分布，将噪声伪装成一个逼真的新样本，产生与真实数据x相似的值，得到以假乱真的生成样本判别器D负责尽量正确的判别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双重对抗学习的软测量虚拟建模数据生成方法，其特征在于，包括以下步骤：S1：基于生成式对抗网络GAN；S2：以MLP为网络基础架构，以Wasserstein距离代替JS散度计算虚拟样本与真实样本间的距离，在损失函数中加入对生成样本的梯度惩罚项；S3：将对抗样本融入到模型优化过程中，引入真实样本的对抗样本；S4：在模型的优化过程中，提出双重对抗训练算法DA
‑
GAN；S5：虚拟样本的可接受域计算方法。2.根据权利要求1所述的一种基于双重对抗学习的软测量虚拟建模数据生成方法，其特征在于，所述S1中GAN包括生成器generator(G)与判别器discriminator(D)，GAN的优化是一个极小极大博弈问题，其优化目标为：x表示真实数据，z表示输入G网络的噪声，而G(z)表示G网络生成的样本。D(x)表示D判断真实样本是否来自于真实数据的概率，而D(G(z))是D网络判断G生成的样本是否真实的概率。将G(z)替换为则上式简化为：3.根据权利要求1所述的一种基于双重对抗学习的软测量虚拟建模数据生成方法，其特征在于，所述S2中对模型的损失函数重新规划如下：...

【专利技术属性】
技术研发人员：王晓，卢彦峰，齐晓妹，
申请(专利权)人：王晓，
类型：发明
国别省市：