基于深层卷积随机配置网络的电熔镁炉工况识别方法研究OA北大核心CSTPCD
为解决电熔镁炉工况识别模型泛化能力和可解释性弱的缺陷,提出一种基于深层卷积随机配置网络(Deep convolutional stochastic configuration networks,DCSCN)的可解释性电熔镁炉异常工况识别方法.首先,基于监督学习机制生成具有物理含义的高斯差分卷积核,采用增量式方法构建深层卷积神经网络(Deep convolutional neural network,DCNN),确保识别误差逐级收敛,避免反向传播算法迭代寻优卷积核参数的过程.定义通道特征图独立系数获取电熔镁炉特征类激活映射图的可视化结果,定义可解释性可信度评测指标,自适应调节深层卷积随机配置网络层级,对不可信样本进行再认知以获取最优工况识别结果.实验结果表明,所提方法较其他方法具有更优的识别精度和可解释性.
李帷韬;童倩倩;王殿辉;吴高昌;
合肥工业大学电气与自动化工程学院,合肥230009中国矿业大学人工智能研究院,徐州221116 东北大学流程工业综合自动化国家重点实验室,沈阳110819东北大学流程工业综合自动化国家重点实验室,沈阳110819
化学工程
电熔镁炉深层卷积随机配置网络高斯差分卷积核类激活映射图可解释性
《自动化学报》 2024 (003)
P.527-543 / 17
国家重点研发计划(2018AAA0100304);国家自然科学基金(62173120,62103092);安徽省自然科学基金(2108085UD11);111引智项目(BP0719039)资助。
评论