典型文献
互信息深度稀疏自编码融合DLSTM预测网络
文献摘要：
针对工业系统变量之间存在动态和相互关联特性导致关键变量预测精度降低问题,提出一种互信息深度堆叠稀疏自编码数据特征网络(mutual information-deep stack sparse auto-encoder,MI-DSSAE)结合深度长短期记忆(deep LSTM,DLSTM)预测模型.MI-DSSAE模型对稀疏编码器改进,采用堆叠稀疏编码器结构,引入互信息作为重构损失权重,对多个稀疏编码器隐层迁移并微调.预测部分采用深度DLSTM网络结构,用双层Bi-LSTM结构对序列数据的动态变化特性双向捕捉,将输出数据输入到普通LSTM进行记忆处理,进行全连接层加权预测关键质量变量.采用流程化工业案例脱丁烷塔的C4含量对提出的模型验证,同时对比RNN、LSTM、GRU模型以及MI-DSSAE-RNN、MI-DSSAE-LSTM、MI-DSSAE-GRU等模型,通过RMSE、R2和MAE多项回归误差指标对比分析,验证MI-DSSAE-DLSTM模型的有效性.
文献关键词：
深度稀疏自编码器;互信息;长短期记忆(LSTM);脱丁烷塔;软测量
中图分类号：
作者姓名：
李江坤;黄海燕
作者机构：
华东理工大学 化工过程先进控制和优化技术教育部重点实验室,上海 200030
文献出处：
引用格式：
[1]李江坤;黄海燕-.互信息深度稀疏自编码融合DLSTM预测网络)[J].计算机工程与应用,2022(20):277-285
A类：
DSSAE,深度稀疏自编码器
B类：
互信息,DLSTM,预测网络,工业系统,相互关联,关联特性,关键变量,变量预测,堆叠,编码数据,数据特征,mutual,information,deep,stack,sparse,auto,encoder,MI,长短期记忆,稀疏编码,失权,层迁移,微调,Bi,序列数据,动态变化特性,行记,全连接层,层加权,流程化,化工业,脱丁烷塔,C4,模型验证,同时对比,RNN,GRU,RMSE,MAE,误差指标,指标对比分析,软测量
AB值：
0.34931
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
