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！

摘要：本发明公开了一种异构时序变量输入输出动态性的智能自适应学习方法，该方法建立了一个输入和输出均为混合变量的状态空间结构，既表征语音、工业传感器数据等异构时序变量的动态特性，也反映外部输入对动态性的影响；为了基于异构时序观测变量高效地推断动态潜变量的后验分布，利用局部变分近似推导前后时刻状态之间解析形式的递归关系，从而加速离线训练过程，并确保在线模型更新速度在可接受的范围内，增强所提模型和方法的实用性；在此基础上，引入递归模型更新和自适应监测策略，以智能跟踪过程的正常变化，并采用滑动窗口机制以提高模型与当前数据特性的匹配度，限制计算复杂度。本发明能够精确描述输入变量对输出变量及变量动态性的影响。

主权项：1.一种异构时序变量输入输出动态性的智能自适应学习方法，其特征在于，包括以下步骤：（1）获取异构时序输入输出数据作为待分析数据；其中，异构时序输入数据为工业传感器所采集的时序数据；（2）利用步骤（1）采集的输入输出数据，建立输入输出动态性分析模型；（3）利用步骤（1）中收集的待分析数据，采用变分递归滤波器解析推断输入输出动态性分析模型的慢特征的后验分布；（4）基于步骤（3）计算出的慢特征的后验分布，使用期望极大化算法估计输入输出动态性分析模型的未知参数；（5）通过建立基于输入输出动态性分析模型的监测方案，计算监测统计量、平方预测误差监测统计量和交叉熵监测统计量，以监测过程的动态变化、连续输出观测变量和二值输出观测变量；（6）基于步骤（4）估计的参数、步骤（5）建立的监测方案以及、平方预测误差和交叉熵监测统计量，在线监测异构时序数据的状态；（7）当步骤（6）中在线监测异构时序数据的状态为动态特性正常且静态统计量超限时，更新输入输出动态性分析模型以自适应跟踪过程的正常变化；其中，所述步骤（1）具体包括：获取从时刻1到时刻T的输入和输出时间序列数据，分别记为和，其中，和分别表示输入和输出变量的维度，和分别表示时刻t的所有连续输出变量和二值输出变量，和分别表示时刻t的第个连续输出变量和第个二值输出变量，和分别表示连续输出变量和二值输出变量的维度，和分别表示时刻t的所有连续输入变量和二值输入变量；所述步骤（2）具体包括：令表示时刻t的慢特征，其中表示慢特征的维度，表示实数域；所建立的输入输出动态性分析模型的转移分布和观测分布分别表示为： （1） （2）其中，和均是转移矩阵，是新息协方差矩阵，表示转移矩阵的对角线上的元素，和均是观测矩阵，是观测噪声协方差矩阵，表示个观测噪声的方差，表示时刻t的第个二值输出变量，定义变量，均为关于和进行逻辑回归得到的系数，下标处的表示第个变量，是sigmoid激活函数，初始状态遵循零均值单位协方差的高斯分布，表示维度为的单位矩阵。

全文数据：

权利要求：

百度查询： 浙江浙能电力股份有限公司萧山发电厂 浙江大学 浙江浙能数字科技有限公司 一种异构时序变量输入输出动态性的智能自适应学习方法