Stacked dynamic target regularization enhanced autoencoder for soft sensor in industrial processes
Notice bibliographique
Résumé
Abstract Stacked autoencoders (SAEs) have great potential in developing soft sensors due to their excellent feature extraction capabilities. However, the pre‐training stage of SAE is unsupervised and some important information related to target variables may be discarded. Meanwhile, as the depth of the network increases, reconstruction errors continue to accumulate, resulting in incomplete feature representations of the original input. In addition, the dynamic nature of the data affects the predictive results of the model. To address these issues, the stacked dynamic target regularization enhanced autoencoder (SDTR‐EAE) method is proposed, which adds the DTR and the original input information layer by layer to enhance the feature extraction. To adapt to the dynamic changes in data and extract target‐related features, entropy weight grey relational analysis (EW‐GRA) is used as the DTR term to constrain the weight matrix and suppress irrelevant features. To reduce the accumulation of information loss during the reconstruction, an information enhancement layer is introduced, where the original inputs and the information of the hidden layers of previous DTR‐EAE units are added to the follow‐up DTR‐EAE unit. Finally, in the regression process, the DTR term is used again to fully utilize depth features for quality prediction and prevent overfitting. Experimental verifications using the debutanizer column and thermal power plant are conducted to validate the effectiveness of the proposed modelling method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».