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！

申请/专利权人：国网江西省电力有限公司南昌供电分公司;国家电网有限公司

摘要：本发明公开了基于区块链的碳排放监测方法，包括如下步骤：分别将训练好的增强非线性混合整数规划SMOTE算法、涡动优化神经网络、基于张量分解与优化的自编码神经网络和基于协变量矩阵的极限学习机分类算法用于数据扩充、数据特征提取、特征降维以及降维特征分类，并应用于区块链存储中；本发明通过在数据扩充过程中引入非线性混合整数规划，能够进行高效的数据扩充；本发明的涡动优化神经网络算法模拟自然界中涡旋的形成、演变和消散过程来优化神经网络中的参数，提高了神经网络训练的稳定性和性能，尤其是在解决梯度消失、梯度爆炸或陷入局部最优解等问题上。

主权项：1.基于区块链的碳排放监测方法，其特征在于，包括如下步骤：步骤S1：通过碳排放监测设备采集监测的数据构建原始碳排放监测数据集，对采集到的数据进行标注，标注类别分为正常排放和异常排放两个类别；步骤S2：采用训练好的增强非线性混合整数规划SMOTE算法对采集到的数据进行扩充；所述增强非线性混合整数规划SMOTE算法是通过对SMOTE算法中的数据生成过程引入非线性混合整数规划，此外，在增强非线性混合整数规划SMOTE算法中采用自适应调整机制；步骤S3：构建特征提取模型，使用扩充数据对特征提取模型进行训练，得到训练好的特征提取模型，采用训练好的特征提取模型提取扩充数据的特征；所述特征提取模型采用涡动优化神经网络，该网络通过模拟涡旋的形成、演变和消散过程来优化自身参数；步骤S4：构建特征降维模型，使用扩充数据的特征对特征降维模型进行训练，得到训练好的特征降维模型；使用训练好的特征降维模型对扩充数据的特征进行降维，得到降维后的特征；所述特征降维模型采用基于张量分解与优化的自编码神经网络，此外采用动态优化机制，根据基于张量分解与优化的自编码神经网络训练过程中的误差反馈自适应调整编码和解码过程中的参数；步骤S5：构建分类器，使用降维后的特征对分类器进行训练，得到训练好的分类器；分类器采用基于协变量矩阵的极限学习机分类算法，该分类算法采用自适应机制动态调整协变量矩阵和极限学习机的参数；步骤S6：将训练好的特征提取模型、训练好的特征降维模型以及训练好的分类器应用于区块链存储；使用扩充数据对涡动优化神经网络进行训练的过程如下：步骤S3.11：在涡动优化神经网络参数空间中随机生成一组涡旋，每个涡旋代表一个可能的参数向量，包含权重w和偏置b；具体的，初始化涡动优化神经网络的参数向量，表示第个权重，表示第个偏置，在初始化过程中，每个涡旋的参数向量是在参数空间中随机生成的，符合均匀分布，设定初始化后的涡旋总数为，则初始化过程表示为： ；式中，表示参数向量的初始值；表示均匀分布；和分别为参数空间的下界和上界；步骤S3.12：计算每个涡旋的参数向量在训练集上的性能，所述训练集从扩充数据中按照一定比例进行划分，根据性能对涡旋进行排序；具体的，采用损失函数计算每个涡旋的参数向量在训练集上的性能，根据计算后损失函数的值对涡旋进行排序： ；式中，表示第N个涡旋对应的神经网络的损失函数；步骤S3.13：对涡旋进行动态更新，根据涡旋排序的排名和涡旋相互之间的距离，动态调整涡旋的位置和强度，模拟涡旋的相互作用和演变过程；具体的，在涡旋进行动态更新阶段，模拟涡旋的相互作用并调整涡旋在参数空间中的位置，设定第个涡旋和第个涡旋之间的距离为，则第个涡旋的动态更新量表示为： ；式中，是调节距离影响的超参数；是基于第个涡旋和第个涡旋之间距离的调节函数；为自适应涡旋因子；为基于环境反馈的调节因子；步骤S3.14：模拟自然界涡旋的合并与分类现象；具体的，设定合并阈值和分裂阈值，当两个涡旋之间的距离小于合并阈值时，将当前两个涡旋合并成一个新的涡旋，当一个涡旋的强度超过分裂阈值时，将该涡旋分裂为两个新的涡旋；其中，两个涡旋合并成一个新的涡旋的操作表示为： ；式中，表示合并后得到的新的涡旋；其中，将一个涡旋分裂为两个新的涡旋的操作表示为： ；式中，表示基于第个涡旋参数向量的随机扰动向量；表示分裂的第一个新的涡旋；表示分裂的第二个新的涡旋；步骤S3.15：通过基于领域的搜索策略，选取表现最好的涡旋，进行局部搜索调整该涡旋的参数向量，模拟该涡旋在流体中的局部吸收和能量集中现象；具体的，设基于领域的搜索策略中，局部搜索的方式表示为： ；式中，表示局部搜索后的涡旋；表示第一学习率；表示均值为0，协方差矩阵为的高斯分布；其中，协方差矩阵根据涡旋在参数空间中的历史移动方向和速度进行动态调整，以适应不同的搜索阶段和特性，动态调整表示为： ；式中，为调整后的协方差矩阵；为调整前的协方差矩阵；表示第二学习率参数；表示第个涡旋在T次迭代的变化量；步骤S3.16：通过调整涡旋的生命值来实现涡旋的衰减，涡旋的生命值低于某个阈值时淘汰，设定第个涡旋的生命值为，则涡旋的衰减规则为： ；式中，为涡旋衰减后的生命值；为涡旋生命值的减少量；步骤S3.17：重复S3.12-步骤S3.16，直到涡动优化神经网络达到预设的最大迭代次数，每一轮迭代结束后，都更新涡旋的状态，并重新评估涡旋的性能；对基于张量分解与优化的自编码神经网络进行训练的具体过程为：步骤S4.11：将扩充数据的特征转换为张量格式；具体的，设定扩充数据的特征为原始张量，其中，，分别为原始张量的长、宽、高尺寸；表示原始张量的维度；步骤S4.12：初始化基于张量分解与优化的自编码神经网络的所有网络参数，所述该网络参数包括编码器的权重和偏置、解码器的权重和偏置以及基于张量分解与优化的自编码神经网络在张量分解过程中的核心张量；具体的，设定编码器和解码器的权重矩阵分别为和，其中，是扩充数据的特征降维后的维度，且；设定编码器和解码器的偏置向量分别为和；步骤S4.13：输入的原始张量首先通过编码器被压缩成一个低维表示，然后该低维表示通过解码器重构回原始数据空间；具体的，给定原始张量，首先通过编码器将原始张量映射到低维特征空间，得到编码，表示为： ；式中，为ReLU激活函数；编码通过解码器重构为重构张量，表示为： ；步骤S4.14：通过比较重构数据和原始数据来计算重构误差，使用反向传播算法根据重构误差来更新基于张量分解与优化的自编码神经网络的参数；具体的，采用均方误差计算原始张量和重构张量之间的差异，计算方式表示为： ；式中，和分别表示重构前的原始张量的维度和重构后的原始张量的维度；通过计算重构误差根据编码器的所有参数的偏导数来更新编码器参数；步骤S4.15：根据重构误差的反馈，动态调整编码器和解码器器在编解码过程中的参数，来优化编码器的性能；具体的，采用调整因子根据当前迭代的重构误差大小，动态调整编码器的学习率，表示为： ；式中，为编码器初始学习率；为调整敏感度参数；步骤S4.16：设定元学习策略的目标函数为，基于一组新训练任务的累计，重构误差表示为： ；式中，表示第个训练任务的重构误差；采用梯度下降对元学习策略的目标函数进行更新，表示为： ；式中，表示元学习策略中编码器的参数集合；表示元学习策略的目标函数的学习率；表示更新后的元学习策略中编码器的参数；表示更新前的元学习策略中编码器的参数；表示元学习策略中编码器的参数更新过程关于损失函数的梯度；将训练集分为多个批次进行训练，每个训练批次作为一个训练任务，根据训练任务之间的误差动态调整，表示为： ；式中，为初始元学习策略的目标函数的学习率；为调整函数；步骤S4.17：重复迭代步骤S4.12-步骤S4.16，直至基于张量分解与优化的自编码神经网络满足预设的最大迭代次数；使用降维后的特征对基于协变量矩阵的极限学习机分类算法进行训练的具体过程为：步骤S5.11：设降维后的特征集合为，其中，表示数据数量，每个降维后的特征向量对应于一个训练基于协变量矩阵的极限学习机分类算法的数据，目标输出向量集合为，其中，是对应的分类标签；设定基于协变量矩阵的极限学习机分类算法的初始参数，包括隐藏层节点数、初始协变量矩阵结构和学习率；具体的，初始化基于协变量矩阵的极限学习机分类算法的隐藏层节点数、权重矩阵和偏置向量，其中，基于协变量矩阵的极限学习机分类算法的权重矩阵的维度为，表示输入特征的维度，基于协变量矩阵的极限学习机分类算法的偏置向量的维度为，则权重矩阵和偏置向量的初始化方式表示为： ； ；式中，表示生成一个的随机矩阵；步骤S5.12：将降维后的特征集合输入基于协变量矩阵的极限学习机分类算法，得到目标输出向量集合；计算基于协变量矩阵的极限学习机分类算法中每个隐藏层节点的激活值和输出层的预测结果；具体的，计算每个隐藏层节点的激活值和输出层的预测结果的方式表示为： ；式中，为Sigmoid激活函数；步骤S5.13：预设自适应策略来分析基于协变量矩阵的极限学习机分类算法的训练性能，包括分类精度和误差率；当基于协变量矩阵的极限学习机分类算法的性能未达到预期目标，根据基于协变量矩阵的极限学习机分类算法在训练过程中的反馈结果调整隐藏层节点数和协变量矩阵的结构；具体的，根据基于协变量矩阵的极限学习机分类算法在训练过程中的性能反馈，动态调整和的大小和值，设定性能评价函数，其中，是输出层的预测输出，计算基于协变量矩阵的极限学习机分类算法的性能，并根据性能反馈调整，表示为： ； ；式中，表示根据性能评价函数确定基于协变量矩阵的极限学习机分类算法的调整量；表示调整策略；表示动态调整后的隐藏层节点数；表示动态调整后的基于协变量矩阵的极限学习机分类算法的权重；步骤S5.14：采用反向传播算法计算基于协变量矩阵的极限学习机分类算法的重构误差，并根据重构误差结果更新基于协变量矩阵的极限学习机分类算法的参数，包括权重和偏置；具体的，使用误差反向传播算法更新基于协变量矩阵的极限学习机分类算法的权重和偏置，重构误差，则权重和偏置的更新方式表示为： ； ；式中，表示基于协变量矩阵的极限学习机分类算法的学习率；表示权重更新梯度；表示偏置更新梯度；步骤S5.15：重复步骤S5.12-步骤S5.14，直到达到基于协变量矩阵的极限学习机分类算法预设的最大迭代次数；其中，基于第个涡旋和第个涡旋之间距离的调节函数的计算方式采用指数衰减模型来反映涡旋间相互作用力随距离增加而减弱的特性，表示为： ；式中，和分别表示第一涡旋影响超参数和第二涡旋影响超参数；其中，第个涡旋和第个涡旋之间的距离根据自身参数向量的欧几里得距离计算得到，表示为： ；式中，表示参数向量的维度；和分别为第个涡旋和第个涡旋在第维的参数向量值；其中，自适应涡旋因子采用自适应涡旋引导学习的方式计算得到，定义涡旋分布的信息熵为： ；式中，表示第个涡旋在所有涡旋中所占比重，通过涡旋的损失函数的倒数计算得到，表示为： ；式中，表示第个涡旋对应的神经网络的损失函数；其中，根据涡旋分布的信息熵的变化，将自适应涡旋因子用于调节涡旋的搜索策略，计算方式表示为： ；式中，表示一个预设的最大调节强度；为理论上可能达到的最大信息熵的值；表示动量调整因子；表示第个涡旋在最近次迭代中的平均动量向量；其中，动量调整因子和平均动量向量通过时间序列动量调整得到，计算第个涡旋在最近次迭代中的平均动量向量表示为： ；式中，表示第个涡旋在第t次迭代后的参数向量；表示第个涡旋在第次迭代后的参数向量；定义动量调整因子用于衡量平均动量向量的大小和一致性，表示为： ；式中，为和之间的夹角；其中，基于环境反馈的调节因子的计算方式表示为： ；式中，表示Sigmoid映射函数；为环境反馈函数，计算方式表示为： ；式中，表示第个涡旋位置处损失函数的Hessian矩阵；为梯度的模；其中，随机扰动向量基于当前涡旋位置的局部梯度信息生成，计算方式表示为： ；式中，和分别表示控制梯度方向和随机扰动强度的超参数；表示在涡旋位置处计算得到的梯度信息；表示均值为0，协方差矩阵为的高斯噪声；其中，编码器的权重的计算通过最小化原始数据即扩充数据的特征和重构数据即编码之间的差异来实现；具体的，设定编码器训练的目标函数，则原始数据和重构数据之间的差异计算方式表示为： ；式中，表示Frobenius范数；表示编码器权重的转置；其中，解码器权重的迭代更新旨在最小化低维表示和重构数据之间的差异，即重构误差，更新规则通过梯度下降法实现，针对重构误差对编码器的权重的偏导数进行更新，表示为： ；式中，表示解码器权重更新的学习率；是重构误差关于编码器的权重的偏导数；表示更新后的解码器权重；表示更新前的解码器权重；其中，基于当前基于协变量矩阵的极限学习机分类算法的性能与当前基于协变量矩阵的极限学习机分类算法的预期性能差异的函数计算，表示为： ；式中，表示调整灵敏度的参数；和分别表示当前基于协变量矩阵的极限学习机分类算法预期性能的指标和当前基于协变量矩阵的极限学习机分类算法的性能的指标；其中，计算权重更新梯度表示为： ；式中，表示隐藏层输出的转置；表示输出层预测与实际目标之间的误差；其中，计算偏置更新梯度表示为： ；式中，和分别表示单个数据的预测输出和实际目标。

全文数据：

权利要求：

百度查询： 国网江西省电力有限公司南昌供电分公司 国家电网有限公司 基于区块链的碳排放监测方法