为了考虑过程变量与质量变量的相关性,解决间歇过程的时序性和动态特性导致预测精度不高的问题,提出一种基于改进时空注意力-长短时记忆神经网络(improved spatial and temporal attention long short-term memory,ISTA-LSTM)的模型进行间歇过程质量预测.首先,对间歇过程的三维数据按变量方向展开成二维矩阵,对二维数据采用Min-max方法归一化;然后,使用偏最小二乘(PLS)方法对原始数据降维,提取数据的特征信息,基于时间注意力和空间注意力构建编码-解码器结构的双层LSTM网络,利用注意力机制自适应地学习神经网络参数,关注每一个过程变量对质量变量的重要性并分配相应的注意值,从而保留所有输入的必要信息,采用带交叉验证的网格搜索算法对预测模型进行超参数寻优,并建立预测模型;最后,在青霉素发酵仿真平台上进行实验验证,实验结果验证了所提模型对间歇过程质量预测的可行性和有效性.
针对现有的基于对抗学习的领域适应算法未能充分挖掘样本的可转移特征导致泛化能力较差和分类精确度较低的问题,提出基于特征和类别对齐的领域适应(FCDA)算法.首先,针对最大均值差异(MMD)度量准则存在的不足进行改进,得到一种新的MID(maximizes the intra-domain density)度量函数,分别度量具有相同标签的源域样本特征间的分布散度和相同标签的目标域样本特征间的分布散度,实现最大化域内同类样本的类密度,从而降低类的错分率;其次,为了能更深层次地学习目标样本的抽象的、可转移的特征,从而减小域间差异,在特征提取网络后加入残差校正块,深化基础网络,提高其特征的可迁移性;最后,将获取的特征经过联合判别网络,通过对抗损失函数同时实现在类级和域级的对齐.所提出的算法在数据集Office-31上平均准确率为88.6%,在数据集Office-Home上平均准确率为67.7%,并与其他算法相比,验证了所提算法具备良好的泛化能力,可以实现较高的分类性能.