近日，我校工學(xué)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(lǐng)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(zhì)量相關(guān)的特征在監(jiān)控生產(chǎn)過程以及為質(zhì)量預(yù)測建模提供關(guān)鍵支持方面發(fā)揮著至關(guān)重要的作用,，由于堆疊自編碼器（SAE）提取特征時(shí)是無監(jiān)督預(yù)訓(xùn)練策略,，只關(guān)注數(shù)據(jù)的分布而不考慮標(biāo)簽信息，因此產(chǎn)生的特征可能缺乏區(qū)分,。此外,，逐層貪婪的訓(xùn)練導(dǎo)致誤差層層累積，會(huì)對(duì)性能產(chǎn)生負(fù)面影響并降低模型精度,。

　　團(tuán)隊(duì)首先引入了一種新的堆疊雙引導(dǎo)自編碼器（SDGAE），以更好地表征復(fù)雜的數(shù)據(jù)模式并學(xué)習(xí)質(zhì)量相關(guān)特征,。與SAE相比,，SDGAE的思想在于堆疊一系列分層雙引導(dǎo)自編碼器（DGAE），旨在使每個(gè)DGAE能夠準(zhǔn)確地重建原始輸入數(shù)據(jù),。它還通過引入監(jiān)督項(xiàng)使模型能夠同時(shí)提取與輸出變量高度相關(guān)的特征,。此外，實(shí)際場景通常涉及有限的標(biāo)記數(shù)據(jù)和大量未標(biāo)記數(shù)據(jù),，這使得網(wǎng)絡(luò)缺乏足夠的泛化能力,。為了解決這一困境，我們進(jìn)一步提出了一種深度半監(jiān)督堆疊雙引導(dǎo)自編碼器（SSDGAE）,，它能夠在預(yù)訓(xùn)練階段從無標(biāo)簽數(shù)據(jù)中獲得有用的特征表示和結(jié)構(gòu)信息,，這與SDGAE能夠做到的從有標(biāo)簽數(shù)據(jù)中獲得信息相輔相成。在楊澤宇導(dǎo)師的指導(dǎo)下,，學(xué)生積極參與SDGAE和SSDGAE模型的設(shè)計(jì)和實(shí)現(xiàn)工作,。他們通過編程將理論轉(zhuǎn)化為實(shí)際的算法，并進(jìn)行了多次調(diào)試和優(yōu)化,。

　　研究克服了傳統(tǒng)深度學(xué)習(xí)算法的局限性,，提出了一種專用于高級(jí)輸出相關(guān)特征提取的半監(jiān)督雙向引導(dǎo)堆疊自編碼器模型。最終,，所提出的方法在兩個(gè)真實(shí)的工業(yè)案例中得到了驗(yàn)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