买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江工业大学申请的专利一种基于隐层增强变分对抗主动学习的软测量建模方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115017813B 。

龙图腾网通过国家知识产权局官网在2025-09-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210669668.X，技术领域涉及：G06F30/27；该发明授权一种基于隐层增强变分对抗主动学习的软测量建模方法是由刘毅;戴云设计研发完成，并于2022-06-14向国家知识产权局提交的专利申请。

本一种基于隐层增强变分对抗主动学习的软测量建模方法在说明书摘要公布了：一种基于隐层增强变分对抗主动学习的软测量建模方法，属于软测量建模技术领域。其包括以下步骤：1获取脱丁烷塔数据；2脱丁烷塔数据预处理以及数据集划分；3筛选有代表性的无标签样本并由专家标注；4建立丁烷浓度预测模型；5模型表现评估。本发明采用隐层增强变分对抗主动学习的方法对无标签数据集中的有代表性样本进行人工标注，增加有标注样本的数量，解决样本有限建模困难的问题；该方法可以较少的人工标注成本较大地提升模型的预测性能，具有普遍性和通用性。

本发明授权一种基于隐层增强变分对抗主动学习的软测量建模方法在权利要求书中公布了：1.一种隐层增强变分对抗主动学习的软测量建模方法，其特征在于，包括以下步骤： 1获取原始样本数据； 2原始样本数据预处理以及数据集划分：将获取的原始样本数据划分为训练集和测试集，其中，训练集包括初始的有标签样本及无标签样本；为加快模型收敛速度，减少模型训练时间，对训练集数据与测试集数据进行归一化处理； 3筛选有代表性的无标签样本并由专家标注：基于隐层增强变分对抗主动学习方法的样本筛选策略，从无标签样本中筛选有代表性的样本；随后，无标签样本由专家标注并与训练集中初始的有标签样本组成新的有标签训练集； 4建立预测模型：建立预测模型，对建立的预测模型进行训练； 5模型表现评估：引入评价指标均方根误差RMSE对模型进行评价； 隐层增强变分对抗主动学习LVAAL样本筛选准则的网络构成为：由一次编码器、解码器和二次编码器组成的隐层增强变分自编码器网络和判别器网络；所述步骤3的具体过程如下： 步骤3.1：学习训练集有标签样本与无标签样本的隐层特征表示： 通过隐层增强变分自编码器网络学习一个有效的潜在空间，并将训练集有标签样本与无标签样本映射到该空间中，得到对应的潜在特征表示；具体过程如下： 隐层增强变分自编码器将有标签样本与无标签样本映射到相同的潜在空间；假设原始有标签样本为{XL,yL}，无标签样本为{XU}；对于隐层增强变分自编码器网络，{XL}和{XU}经一次编码器映射与解码器重构后分别得到{XRL}和{XRU}；有标签样本和无标签样本的总重构损失函数如下所示： 其中，x表示原始空间的样本，z表示隐变量，下标L和U分别表示有标签样本和无标签样本，qφz|x和pθx|z分别为一次编码器和解码器，参数分别为φ和θ，pθz为隐变量的高斯先验分布，E[表示求期望，DKL是概率分布间的KL散度，β是平衡重构误差与KL散度在优化目标中所占比例的参数； 二次编码器用于限制隐层空间不发生偏移，以帮助隐层增强变分对抗主动学习LVAAL网络学习到最优的隐层空间；其网络结构与参数与一次编码器相同；采用KL散度度量一次编码特征与二次编码特征间的距离，KL散度的表达式为： 其中，N·表示高斯分布，μ和σ2分别为经一次编码器得到的潜层变量高斯分布的均值和方差，和分别为经二次编码器得到的潜层变量高斯分布的均值和方差，I为单位矩阵，·T表示求转置，·-1表示求逆，tr·表示求矩阵的迹；因此，对于有标签样本和无标签样本，两个隐层间KL距离的和为： 其中，m表示隐变量的维度，m＝1,2,...,M，μLm和μUm分别为有标签样本和无标签样本经一次编码器得到的潜层变量的均值，和分别为有标签样本和无标签样本经一次编码器得到的潜层变量的方差，和分别为有标签样本和无标签样本经二次编码器得到的潜层变量的均值，和分别为有标签样本和无标签样本经二次编码器得到的潜层变量的方差； 步骤3.2：判别器区分有标签样本与无标签样本： 当隐层增强变分自编码器网络和判别器网络训练至平衡时，判别器能够有效区分隐层空间中训练集的有标签样本和无标签样本，随后筛选出有代表性的无标签样本并标注；的具体过程如下： 隐层增强变分自编码器和判别器以极大极小博弈进行训练；隐层增强变分自编码器欺骗判别器将隐层空间中样所有本都判别为有标签样本，而判别器努力区分有标签样本和无标签样本；通过隐层增强变分自编码器与判别器网络的迭代训练，在网络训练完成后，判别器能够筛选出有代表性的无标签样本；根据概率值，b个无标签样本{XSU}被选择，并送给专家标注；将标注后的样本加入到原始训练集得到新的训练集{XSU,ySU}∪{XL,yL}。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江工业大学，其通讯地址为：310006 浙江省杭州市拱墅区朝晖六区潮王路18号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。