CN109213807A - 一种智能制造大数据的增量学习方法及装置 - Google Patents
一种智能制造大数据的增量学习方法及装置 Download PDFInfo
- Publication number
- CN109213807A CN109213807A CN201811119092.XA CN201811119092A CN109213807A CN 109213807 A CN109213807 A CN 109213807A CN 201811119092 A CN201811119092 A CN 201811119092A CN 109213807 A CN109213807 A CN 109213807A
- Authority
- CN
- China
- Prior art keywords
- data
- intelligence manufacture
- big data
- parameter
- follows
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能制造增量学习技术领域,具体涉及一种智能制造大数据的增量学习方法及装置,通过采集制造过程的历史数据,形成分类数据集;进而获取新数据,作为输入数据,通过编码函数建立输入层数据与隐藏层数据的映射关系,通过解码函数将隐藏层数据映射到网络的实际输出,对节点参数和权重进行优化,形成分类后的增量学习模型,从而保证智能制造产生的大数据的完整性,并对大数据进行及时分析与处理。
Description
技术领域
本发明涉及智能制造增量学习技术领域,具体涉及一种智能制造大数据的增量学习方法及装置。
背景技术
制造过程中应用机器学习是进一步对制造***进行智能赋能,实现替代或辅助管理人员和专业人员对不确定业务进行决策的能力。
制造过程中产生的大数据具有高速变化特性,数据以极快的速度产生,其内容和分布特征均处于高速动态变化之中。在这种情况下,典型的方法是将新数据与之前的所有数据相结合,并从头开始训练新的分类器。这种方法导致所有先前学到的知识丢失,这种现象称为灾难性遗忘。此外,如果先前的数据集丢失,丢弃,损坏,无法访问或不可用,则新旧数据集的组合甚至不总是可行的选项。增量学习是这种场景的解决方案,可以将其定义为提取新信息而不会丢失以后可用的其他数据集的先验知识的过程。
同时,大数据要求得到及时分析与处理。典型的深度学习采用前馈神经网络堆叠而成,前馈神经网络是一种静态学习模型,导致深度学习难以学习处于高速动态变化中的大数据特征。
因此,如何提供一种能保证智能制造产生的大数据的完整性,并对大数据进行及时分析与处理成为关键问题。
发明内容
本发明提供一种智能制造大数据的增量学习方法及装置,能保证智能制造产生的大数据的完整性,并对大数据进行及时分析与处理。
本发明提供的一种智能制造大数据的增量学习方法,包括以下步骤:
步骤A、采集制造过程的历史数据,形成分类数据集Dt;
步骤B、获取新数据,作为输入数据x,通过编码函数建立输入层数据x与隐藏层数据f(x)的映射关系,所述编码函数的计算公式如下:
其中,ai,bi为随机的输入层节点参数,βi为随机的输入层到隐藏层的权重,L为输入层的节点个数;
步骤C、通过解码函数将隐藏层数据f(x)映射到网络的实际输出g(x),所述解码函数的计算公式如下:
其中,aj,bj为随机的隐藏层节点参数,βj为随机的隐藏层到输出层的权重,L′为隐藏层的节点个数;
步骤D、对节点参数ai,bi,aj,bj和权重βi,βj进行优化;
步骤E、形成分类后的增量学习模型。
进一步,所述步骤A中的数据具体包括:智能制造环节中产生的信号的幅度、频率、相位,信号所处的制造节点。
进一步,所述步骤A具体包括:
步骤A1、将Xn={x1,x2,...,xm}为待分类项,xi表示n维特征空间Xn的一个特征属性,将C={Y1,Y2,...,Ym}作为类别集合;
步骤A2、分别计算P(y1/Xn),P(y2/Xn),...,P(ym/Xn);
步骤A3、通过以下公式将Xn分类,
P(yi/Xn)=max{P(y1/Xn),P(y2/Xn),...,P(ym/Xn)},
其中,Xn∈Yi;
步骤A4、形成数据集Dt,其中,Dt=(xi,yi)(i=1,...,m),yi表示xi对应的类别标签。
进一步,所述步骤D具体包括:
步骤D1、通过前向传播模型计算隐藏层神经元的输出值f(x,θ)及神经网络模型的输出值g(x,θ),其中f(x,θ),g(x,θ)表示当参数为θ时,x经过非线性映射得到的实际输出,θ={ai,bi,βi,aj,bj,βj};
步骤D2、计算网络模型的实际输出值与理想输出值y的差值△y,计算公式为:△y=y-g(x,θ);
步骤D3、通过反向传播模型计算神经网络模型输出值g(x,θ)对原始参数θ的偏导数,计算公式如下:
步骤D4、计算偏导数矩阵f′(x,θ)的逆矩阵,计算公式如下:
步骤D5、根据以下公式计算网络模型的参数增量△θ,计算公式如下:
其中,u为学习效率;
步骤D6、将θ+△θ作为更新的网络模型的参数。
本发明提供的一种智能制造大数据的增量学习装置,包括计算机可读介质,所述介质存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现上述任一项所述的方法。
本发明的有益效果是:本发明公开一种智能制造大数据的增量学习方法及装置,通过采集制造过程的历史数据,形成分类数据集;进而获取新数据,作为输入数据,通过编码函数建立输入层数据与隐藏层数据的映射关系,通过解码函数将隐藏层数据映射到网络的实际输出,对节点参数和权重进行优化,形成分类后的增量学习模型,从而保证智能制造产生的大数据的完整性,并对大数据进行及时分析与处理。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例一种智能制造大数据的增量学习的方法流程示意图;
图2是本发明实施例一种智能制造大数据的增量学习的方法步骤D的流程示意图。
具体实施方式
参考图1~2,本发明提供的一种智能制造大数据的增量学习方法,包括以下步骤:
步骤A、采集制造过程的历史数据,形成分类数据集Dt;
步骤B、获取新数据,作为输入数据x,通过编码函数建立输入层数据x与隐藏层数据f(x)的映射关系,所述编码函数的计算公式如下:
其中,ai,bi为随机的输入层节点参数,βi为随机的输入层到隐藏层的权重,L为输入层的节点个数;
步骤C、通过解码函数将隐藏层数据f(x)映射到网络的实际输出g(x),所述解码函数的计算公式如下:
其中,aj,bj为随机的隐藏层节点参数,βj为随机的隐藏层到输出层的权重,L′为隐藏层的节点个数;
步骤D、对节点参数ai,bi,aj,bj和权重βi,βj进行优化;
步骤E、形成分类后的增量学习模型。
进一步,所述步骤A中的数据具体包括:智能制造环节中产生的信号的幅度、频率、相位,信号所处的制造节点。
进一步,所述步骤A具体包括:
步骤A1、将Xn={x1,x2,...,xm}为待分类项,xi表示n维特征空间Xn的一个特征属性,将C={Y1,Y2,...,Ym}作为类别集合;
步骤A2、分别计算P(y1/Xn),P(y2/Xn),...,P(ym/Xn);
步骤A3、通过以下公式将Xn分类,
P(yi/Xn)=max{P(y1/Xn),P(y2/Xn),...,P(ym/Xn)},
其中,Xn∈Yi;
步骤A4、形成数据集Dt,其中,Dt=(xi,yi)(i=1,...,m),yi表示xi对应的类别标签。
进一步,所述步骤D具体包括:
步骤D1、通过前向传播模型计算隐藏层神经元的输出值f(x,θ)及神经网络模型的输出值g(x,θ),其中f(x,θ),g(x,θ)表示当参数为θ时,x经过非线性映射得到的实际输出,θ={ai,bi,βi,aj,bj,βj};
步骤D2、计算网络模型的实际输出值与理想输出值y的差值△y,计算公式为:△y=y-g(x,θ);
步骤D3、通过反向传播模型计算神经网络模型输出值g(x,θ)对原始参数θ的偏导数,计算公式如下:
步骤D4、计算偏导数矩阵f′(x,θ)的逆矩阵,计算公式如下:
步骤D5、根据以下公式计算网络模型的参数增量△θ,计算公式如下:
其中,u为学习效率;
步骤D6、将θ+△θ作为更新的网络模型的参数。
本发明提供的一种智能制造大数据的增量学习装置,包括计算机可读介质,所述介质存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现上述任一项所述的方法。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (5)
1.一种智能制造大数据的增量学习方法,其特征在于,包括以下步骤:
步骤A、采集历史制造过程中的数据,形成分类数据集Dt;
步骤B、获取制造过程中的新数据,作为输入数据x,通过编码函数建立输入层数据x与隐藏层数据f(x)的映射关系,所述编码函数的计算公式如下:
其中,ai,bi为随机的输入层节点参数,βi为随机的输入层到隐藏层的权重,L为输入层的节点个数;
步骤C、通过解码函数将隐藏层数据f(x)映射到网络的实际输出g(x),所述解码函数的计算公式如下:
其中,aj,bj为随机的隐藏层节点参数,βj为随机的隐藏层到输出层的权重,L′为隐藏层的节点个数;
步骤D、对节点参数ai,bi,aj,bj和权重βi,βj进行优化;
步骤E、形成分类后的增量学习模型。
2.根据权利要求1所述的一种智能制造大数据的增量学习方法,其特征在于,所述步骤A中的数据具体包括:智能制造环节中产生的信号的幅度、频率、相位,信号所处的制造节点。
3.根据权利要求2所述的一种智能制造大数据的增量学习方法,其特征在于,所述步骤A具体包括:
步骤A1、将Xn={x1,x2,...,xm}为待分类项,xi表示n维特征空间Xn的一个特征属性,将C={Y1,Y2,...,Ym}作为类别集合;
步骤A2、分别计算P(y1/Xn),P(y2/Xn),...,P(ym/Xn);
步骤A3、通过以下公式将Xn分类,
P(yi/Xn)=max{P(y1/Xn),P(y2/Xn),...,P(ym/Xn)},
其中,Xn∈Yi;
步骤A4、形成数据集Dt,其中,Dt=(xi,yi)(i=1,...,m),yi表示xi对应的类别标签。
4.根据权利要求1所述的一种智能制造大数据的增量学习方法,其特征在于,所述步骤D具体包括:
步骤D1、通过前向传播模型计算隐藏层神经元的输出值f(x,θ)及神经网络模型的输出值g(x,θ),其中f(x,θ),g(x,θ)表示当参数为θ时,x经过非线性映射得到的实际输出,θ={ai,bi,βi,aj,bj,βj};
步骤D2、计算网络模型的实际输出值与理想输出值y的差值△y,计算公式为:△y=y-g(x,θ);
步骤D3、通过反向传播模型计算神经网络模型输出值g(x,θ)对原始参数θ的偏导数,计算公式如下:
步骤D4、计算偏导数矩阵f′(x,θ)的逆矩阵,计算公式如下:
步骤D5、根据以下公式计算网络模型的参数增量△θ,计算公式如下:
其中,u为学习效率;
步骤D6、将θ+△θ作为更新的网络模型的参数。
5.一种智能制造大数据的增量学习装置,其特征在于,包括计算机可读介质,所述介质存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1~4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811119092.XA CN109213807B (zh) | 2018-09-25 | 2018-09-25 | 一种智能制造大数据的增量学习方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811119092.XA CN109213807B (zh) | 2018-09-25 | 2018-09-25 | 一种智能制造大数据的增量学习方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109213807A true CN109213807A (zh) | 2019-01-15 |
CN109213807B CN109213807B (zh) | 2021-08-31 |
Family
ID=64981376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811119092.XA Active CN109213807B (zh) | 2018-09-25 | 2018-09-25 | 一种智能制造大数据的增量学习方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109213807B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116303687A (zh) * | 2023-05-12 | 2023-06-23 | 烟台黄金职业学院 | 一种工程造价数据智能管理方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598552A (zh) * | 2014-12-31 | 2015-05-06 | 大连钜正科技有限公司 | 一种支持增量式更新的大数据特征学习的方法 |
-
2018
- 2018-09-25 CN CN201811119092.XA patent/CN109213807B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598552A (zh) * | 2014-12-31 | 2015-05-06 | 大连钜正科技有限公司 | 一种支持增量式更新的大数据特征学习的方法 |
Non-Patent Citations (2)
Title |
---|
卜范玉 等: "支持增量式更新的大数据特征学习模型", 《计算机工程与应用》 * |
张清辰: "面向大数据特征学习的深度计算模型研究", 《中国博士学位论文全文数据库(电子期刊)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116303687A (zh) * | 2023-05-12 | 2023-06-23 | 烟台黄金职业学院 | 一种工程造价数据智能管理方法及*** |
CN116303687B (zh) * | 2023-05-12 | 2023-08-01 | 烟台黄金职业学院 | 一种工程造价数据智能管理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109213807B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019144066A1 (en) | Systems and methods for preparing data for use by machine learning algorithms | |
CN109992668A (zh) | 一种基于自注意力的企业舆情分析方法和装置 | |
CN110110372B (zh) | 一种用户时序行为自动切分预测方法 | |
CN112800239B (zh) | 意图识别模型训练方法、意图识别方法及装置 | |
Huang et al. | Large-scale heterogeneous feature embedding | |
CN104809139B (zh) | 代码文件查询方法和装置 | |
CN116684200B (zh) | 网络安全漏洞的攻击模式的知识补全方法及*** | |
CN113032516A (zh) | 基于近似本体匹配的知识图谱融合方法 | |
CN114863091A (zh) | 一种基于伪标签的目标检测训练方法 | |
CN115456043A (zh) | 分类模型处理、意图识别方法、装置和计算机设备 | |
CN112465226A (zh) | 一种基于特征交互和图神经网络的用户行为预测方法 | |
Yang et al. | Dissimilarity representation learning for generalized zero-shot recognition | |
CN112818121A (zh) | 一种文本分类方法、装置、计算机设备及存储介质 | |
CN105844335A (zh) | 一种基于6w知识表示的自学习方法 | |
CN111930944B (zh) | 文件标签分类方法及装置 | |
CN109213807A (zh) | 一种智能制造大数据的增量学习方法及装置 | |
CN109977131A (zh) | 一种房型匹配*** | |
US11720600B1 (en) | Methods and apparatus for machine learning to produce improved data structures and classification within a database | |
CN111275079A (zh) | 基于图神经网络的众包标签推测方法及*** | |
CN116776173A (zh) | 一种基于卷积神经网络的电力量测数据脱敏方法 | |
Bobillo | The role of crisp elements in fuzzy ontologies: The case of fuzzy OWL 2 EL | |
CN115470520A (zh) | 一种在垂直联邦框架下的差分隐私及去噪的数据保护方法 | |
Chen et al. | Towards automated cost analysis, benchmarking and estimating in construction: A machine learning approach | |
CN107767278B (zh) | 社群层次结构构建方法和装置 | |
CN111199259B (zh) | 标识转换方法、装置和计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |