近日，我校工學院電氣工程系楊澤宇老師以第一作者、研究生胡婷婷為第二作者在國際儀器和測量領域頂刊《IEEE Transactions on Instrumentation and Measurement》（中科院TOP期刊）上，發(fā)表題為“Stacked Dual-Guided Autoencoder: A Scalable Deep Latent Variable Model for Semi-Supervised Industrial Soft Sensing”的研究論文。

　　質量相關的特征在監(jiān)控生產過程以及為質量預測建模提供關鍵支持方面發(fā)揮著至關重要的作用，由于堆疊自編碼器（SAE）提取特征時是無監(jiān)督預訓練策略，只關注數(shù)據(jù)的分布而不考慮標簽信息，因此產生的特征可能缺乏區(qū)分。此外，逐層貪婪的訓練導致誤差層層累積，會對性能產生負面影響并降低模型精度。

　　團隊首先引入了一種新的堆疊雙引導自編碼器（SDGAE），以更好地表征復雜的數(shù)據(jù)模式并學習質量相關特征。與SAE相比，SDGAE的思想在于堆疊一系列分層雙引導自編碼器（DGAE），旨在使每個DGAE能夠準確地重建原始輸入數(shù)據(jù)。它還通過引入監(jiān)督項使模型能夠同時提取與輸出變量高度相關的特征。此外，實際場景通常涉及有限的標記數(shù)據(jù)和大量未標記數(shù)據(jù)，這使得網絡缺乏足夠的泛化能力。為了解決這一困境，我們進一步提出了一種深度半監(jiān)督堆疊雙引導自編碼器（SSDGAE），它能夠在預訓練階段從無標簽數(shù)據(jù)中獲得有用的特征表示和結構信息，這與SDGAE能夠做到的從有標簽數(shù)據(jù)中獲得信息相輔相成。在楊澤宇導師的指導下，學生積極參與SDGAE和SSDGAE模型的設計和實現(xiàn)工作。他們通過編程將理論轉化為實際的算法，并進行了多次調試和優(yōu)化。

　　研究克服了傳統(tǒng)深度學習算法的局限性，提出了一種專用于高級輸出相關特征提取的半監(jiān)督雙向引導堆疊自編碼器模型。最終，所提出的方法在兩個真實的工業(yè)案例中得到了驗證，證明了其有效性和優(yōu)越性。

　　論文鏈接：https://ieeexplore.ieee.org/document/10663500

　　通訊員：姚玲虹