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！

龙图腾网恭喜江南大学申请的专利一种基于优化堆栈自编码网络的化工过程故障分类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：CN114925783B 。

龙图腾网通过国家知识产权局官网在2025-05-06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：202210705720.2，技术领域涉及：G06F18/241；该发明授权一种基于优化堆栈自编码网络的化工过程故障分类方法是由徐琛;李启泽;陶洪峰设计研发完成，并于2022-06-21向国家知识产权局提交的专利申请。

本一种基于优化堆栈自编码网络的化工过程故障分类方法在说明书摘要公布了：本发明公开了一种基于优化堆栈自编码网络的化工过程故障分类方法，属于故障分类技术领域。所述方法通过在自监督学习训练阶段，使用有标签和无标签样本，结合Fisher判别准则优化堆栈自编码网络，寻找有利于分类的映射方向，逐层减小同类故障特征的类内距离，增大异类特征的类间距离。通过改进后的损失函数约束模型训练，使得堆栈自编码网络在反向传播时更新的神经元参数，既能最小化重构误差，使堆栈自编码网络从大量无标签样本中提取重构特征，又考虑到标签信息的利用，使堆栈自编码网络提取到尽可能多的分类特征。因此本发明提出的基于优化堆栈自编码网络的故障分类方法可以学习有效分类特征信息，提升的故障分类的准确率。

本发明授权一种基于优化堆栈自编码网络的化工过程故障分类方法在权利要求书中公布了：1.一种基于优化堆栈自编码网络的化工过程故障分类方法，其特征在于，所述方法包括：步骤一、采集化工过程中的故障变量参数，构成训练集Xtrain＝{x1,x2,…,xp,…,xm}，1≤p≤m，m表示采样样本的数量；每个采样样本包含J个测量变量，xp＝{X1,X2,…,Xk,…,XJ}；所述测量变量包括流量、压力、温度和液位；步骤二、构建堆栈自编码网络模型并使用改进的Fisher判别准则对其进行优化，得到优化后的堆栈自编码网络模型；步骤三、对步骤一所采集的训练集添加标签后对步骤二得到的优化后的堆栈自编码网络模型进行训练，得到训练完成的堆栈自编码网络模型；步骤四、利用步骤三所得到的训练完成的堆栈自编码网络模型实现对于化工过程的故障分类；所述步骤二中使用Fisher判别准则对堆栈自编码网络模型进行优化时，重构堆栈自编码网络模型的误差损失函数以及Fisher判别准则的损失函数，同时约束堆栈自编码网络中间层学习的输出；所述步骤二中构建堆栈自编码网络模型包括：使用训练集数据Xtrain，训练第一个自编码网络并获得权重矩阵和偏置向量以及隐藏层输出接下来以h1作为输入，训练第二个自编码网络模型，和训练第一个自编码网络相同，获得权重矩阵和偏置向量以及隐藏层输出重复上述过程，直到完成堆栈自编码网络搭建并初始化参数；最终搭建完成n层自编码网络组成的堆栈自编码网络的输入层和中间层之间的关系表示为： 其中为编码器的全部权重矩阵，为编码器的全部偏置向量；x为输入层数据，h为堆栈自编码器中间层及编码器输出，fn和fn-1分别表示堆栈自编码器中第n层激活函数和第n-1层激活函数；最终搭建完成n层堆栈自编码网络的解码器输出和中间层之间的关系表示为： 其中为解码器的全部权重矩阵，为解码器的全部偏置向量；为解码器输出数据，即重构数据；所述步骤二中使用改进的Fisher判别准则对堆栈自编码网络进行优化，包括：将步骤一所采集的化工过程中的故障变量参数构成的训练集Xtrain中的m个样本按照故障类别划分为c个类别，X＝{X1,X2,...,Xc}有c类，第i个类别Xi包含有mi个样本，m1+m2+…+mi+…mc＝m，1≤i≤c；计算样本的类内距离Sw： 其中计算样本的类间距离Sb： 其中定义关于Fisher判别准则改进的部分损失函数为： 将上述式11所示的部分损失函数作为约束堆栈自编码网络中间层学习的输出的条件二；定义优化后的堆栈自编码网络模型的损失函数为：L{We,be,Wd,bd}＝Lf{We,be,Wd,bd}+Lr{We,be,Wd,bd}12其中Lr{We,be,Wd,bd}为n层堆栈自编码网络模型的重构误差函数。

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江南大学，其通讯地址为：214122 江苏省无锡市滨湖区蠡湖大道1800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”。