DSP：面向完整真实工业数据集的差分空间预测方案
机器学习
2020-08-25 v1 机器学习
摘要
反距离加权模型（IDW）已广泛用于对多模态工业过程中的多维空间进行预测与建模。然而，多维空间的结构越复杂，IDW 模型的性能越低，而真实工业数据集往往具有更复杂的空间结构。为解决该问题，提出了一种基于深度强化学习网络的空间预测与建模新框架。在所提框架中，通过复用 Q 网络中的状态值增强了状态与动作之间的内部关联，并提升了深度强化学习网络的收敛速率与稳定性。随后将改进的深度强化学习网络用于搜索和学习反距离加权模型中各样本点的超参数。这些超参数在某种程度上可反映当前工业数据集的空间结构。进而基于学习到的超参数构建超参数的空间分布。各插值点从超参数空间分布中获取相应超参数，并将其代入经典 IDW 模型进行预测，从而实现差分空间预测与建模。仿真结果表明，所提框架适用于具有复杂空间结构特征的真实工业数据集，且在空间预测上比当前 IDW 模型更准确。
引用
@article{arxiv.2008.09951,
title = {DSP: A Differential Spatial Prediction Scheme for Comprehensive real industrial datasets},
author = {Junjie Zhang and Cong Zhang and Neal N. Xiong},
journal= {arXiv preprint arXiv:2008.09951},
year = {2020}
}