LightGCNet：用于数据驱动软测量的轻量级几何构造神经网络
机器学习
2023-12-20 v1 机器学习
摘要
与机理方法相比，数据驱动软测量为测量工业过程中的难测指标提供了一种具有潜在成本效益且更精确的建模方法。人工智能 (AI) 技术，如深度学习，已成为机器学习和大数据领域中一种流行的软测量建模方法。然而，基于深度学习的软测量模型可能导致复杂的模型结构和过长的训练时间。此外，工业过程通常依赖于以资源受限为特征的分布式控制系统 (DCS)。在此，在空间几何的指导下，提出了一种轻量级几何构造神经网络，即 LightGCNet，它利用紧凑的角度约束从动态区间中分配隐藏参数。同时，采用节点池策略和空间几何关系来可视化和优化隐藏参数的分配过程，增强了可解释性。此外，通过空间几何分析证明了 LightGCNet 的通用逼近性质。本文给出了 LightGCNet 的两种算法实现版本。针对基准数据集和矿石研磨过程的仿真结果表明，LightGCNet 在网络规模小、学习速度快和良好的泛化能力方面具有显著优势。
引用
@article{arxiv.2312.12022,
title = {LightGCNet: A Lightweight Geometric Constructive Neural Network for Data-Driven Soft sensors},
author = {Jing Nan and Yan Qin and Wei Dai and Chau Yuen},
journal= {arXiv preprint arXiv:2312.12022},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2307.00185