本發(fā)明屬于數(shù)據(jù)處理，具體涉及一種基于人工智能的蒸汽發(fā)生器狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法。

背景技術(shù)：

1、隨著工業(yè)自動(dòng)化和智能化水平的提升，對(duì)于能源設(shè)備如蒸汽發(fā)生器的效率與安全運(yùn)行監(jiān)控的需求日益增加。蒸汽發(fā)生器作為能源轉(zhuǎn)換的關(guān)鍵設(shè)備，在很多工業(yè)過(guò)程中扮演著核心角色，其狀態(tài)的實(shí)時(shí)監(jiān)控對(duì)保證生產(chǎn)安全、提高能效及減少環(huán)境影響至關(guān)重要。然而，傳統(tǒng)的監(jiān)控方法依賴于有限的傳感器數(shù)據(jù)和人工監(jiān)測(cè)，往往難以實(shí)時(shí)準(zhǔn)確地捕捉設(shè)備的復(fù)雜動(dòng)態(tài)變化，特別是在面對(duì)大規(guī)模數(shù)據(jù)處理和實(shí)時(shí)響應(yīng)要求時(shí)，存在明顯的局限性。此外，常規(guī)的數(shù)據(jù)處理方法在樣本不足、數(shù)據(jù)多樣性缺乏及處理復(fù)雜非線性數(shù)據(jù)結(jié)構(gòu)的能力上有所不足，這限制了監(jiān)控系統(tǒng)在異常預(yù)測(cè)和故障診斷中的效果。

2、針對(duì)上述不足，申請(qǐng)?zhí)枮閏n202311255147.0的中國(guó)發(fā)明專利提出一種無(wú)人機(jī)檢測(cè)方法、機(jī)器學(xué)習(xí)模型訓(xùn)練方法及相關(guān)設(shè)備，方法包括：獲取初始圖像，使用目標(biāo)檢測(cè)模型對(duì)所述初始圖像中的至少一個(gè)第一區(qū)域進(jìn)行檢測(cè)，獲得所述第一區(qū)域中的目標(biāo)對(duì)象的檢測(cè)結(jié)果，將檢測(cè)結(jié)果滿足預(yù)設(shè)要求的目標(biāo)對(duì)象所在的所述第一區(qū)域確定為第二區(qū)域，使用分類模型對(duì)所述第二區(qū)域進(jìn)行二元分類，獲得所述第二區(qū)域中目標(biāo)對(duì)象的第二分類標(biāo)簽，篩選出包含的目標(biāo)對(duì)象的所述第二分類標(biāo)簽為所述無(wú)人機(jī)類別的所述第二區(qū)域，并將篩選出的所述第二區(qū)域中的目標(biāo)對(duì)象確定為無(wú)人機(jī)。本技術(shù)先基于目標(biāo)檢測(cè)模型對(duì)初始圖像進(jìn)行篩選，再通過(guò)分類模型進(jìn)行精準(zhǔn)分類，并進(jìn)行二次篩選。兩次篩選的組合可以有效降低無(wú)人機(jī)檢測(cè)的誤報(bào)率。申請(qǐng)?zhí)枮閏n202110250990.4的中國(guó)發(fā)明專利提出一種機(jī)器學(xué)習(xí)模型的處理方法、裝置、存儲(chǔ)介質(zhì)及電子設(shè)備，其中方法包括：獲取配置文件和處理數(shù)據(jù)，所述配置文件中包括至少一個(gè)機(jī)器學(xué)習(xí)模型的至少一個(gè)處理過(guò)程；根據(jù)所述配置文件中各所述處理過(guò)程，調(diào)用各所述處理過(guò)程對(duì)應(yīng)的執(zhí)行器，得到各處理過(guò)程的處理結(jié)果，其中，所述執(zhí)行器基于所述配置文件中各處理過(guò)程對(duì)應(yīng)的機(jī)器學(xué)習(xí)模型和處理數(shù)據(jù)執(zhí)行對(duì)應(yīng)的處理過(guò)程，本實(shí)施例中，通過(guò)設(shè)置機(jī)器學(xué)習(xí)模型的各個(gè)處理過(guò)程的執(zhí)行器，實(shí)現(xiàn)各處理過(guò)程的執(zhí)行，得到各處理過(guò)程的執(zhí)行結(jié)果，無(wú)需編寫(xiě)程序代碼，降低了機(jī)器學(xué)習(xí)模型的實(shí)現(xiàn)難度，提高了機(jī)器學(xué)習(xí)模型的學(xué)習(xí)研發(fā)效率。申請(qǐng)?zhí)枮閏n202011607378.x的中國(guó)發(fā)明專利提出一種機(jī)器學(xué)習(xí)模型的訓(xùn)練方法、服務(wù)器及計(jì)算機(jī)設(shè)備，其中方法包括：生成同態(tài)密鑰對(duì)，其中，同態(tài)密鑰對(duì)之中包括公鑰和私鑰；將公鑰發(fā)送至多個(gè)數(shù)據(jù)所有者服務(wù)器，以使多個(gè)數(shù)據(jù)所有者服務(wù)器對(duì)自身數(shù)據(jù)通過(guò)公鑰進(jìn)行加密，并將加密之后生成的密文數(shù)據(jù)發(fā)送至機(jī)器學(xué)習(xí)服務(wù)器，其中，機(jī)器學(xué)習(xí)服務(wù)器根據(jù)多個(gè)數(shù)據(jù)所有者服務(wù)器提供的密文數(shù)據(jù)進(jìn)行模型訓(xùn)練和測(cè)試以生成密文機(jī)器學(xué)習(xí)模型；以及接收機(jī)器學(xué)習(xí)服務(wù)器發(fā)送的密文機(jī)器學(xué)習(xí)模型，并根據(jù)私鑰進(jìn)行解密以形成明文機(jī)器學(xué)習(xí)模型，從而能夠保護(hù)數(shù)據(jù)所有者服務(wù)器提供的數(shù)據(jù)，且能夠保護(hù)明文機(jī)器學(xué)習(xí)模型，安全性高。

3、上述技術(shù)方案具有一定的創(chuàng)新性，但仍存在以下問(wèn)題需進(jìn)一步解決：

4、1、在傳統(tǒng)方法中，數(shù)據(jù)樣本通常受限于實(shí)際采集情況，常常導(dǎo)致樣本數(shù)量不足，缺乏足夠的多樣性和代表性，限制了模型的泛化能力。

5、2、傳統(tǒng)的特征提取方法可能因結(jié)構(gòu)或算法限制出現(xiàn)梯度消失、梯度爆炸，或者因算法優(yōu)化策略不足而陷入局部最優(yōu)解，影響模型的訓(xùn)練效率和性能。

6、3、傳統(tǒng)的特征降維技術(shù)在處理復(fù)雜和非線性數(shù)據(jù)時(shí)可能無(wú)法有效保持?jǐn)?shù)據(jù)的主要特征和局部結(jié)構(gòu)，導(dǎo)致降維后的數(shù)據(jù)失去重要信息，影響后續(xù)處理的效果。

7、4、傳統(tǒng)的分類方法在處理具有噪聲或不清晰分類邊界的數(shù)據(jù)時(shí)，通常缺乏足夠的魯棒性，導(dǎo)致分類結(jié)果不穩(wěn)定或準(zhǔn)確度不高，特別是在復(fù)雜的監(jiān)測(cè)場(chǎng)景中。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提出一種基于人工智能的蒸汽發(fā)生器狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法，能夠解決傳統(tǒng)方法中樣本數(shù)量不足和數(shù)據(jù)多樣性缺乏的問(wèn)題，可有效避免梯度消失、爆炸或陷入局部最優(yōu)的常見(jiàn)問(wèn)題，進(jìn)而增強(qiáng)了模型在處理具有噪聲或模糊分類邊界數(shù)據(jù)時(shí)的魯棒性。

2、本發(fā)明采取的技術(shù)方案是：

3、基于人工智能的蒸汽發(fā)生器狀態(tài)實(shí)時(shí)監(jiān)測(cè)方法，包括如下步驟：

4、s1、數(shù)據(jù)采集與標(biāo)注：采集的數(shù)據(jù)來(lái)源于燃燒生物質(zhì)蒸汽發(fā)生器的工藝流程數(shù)據(jù)，以及引風(fēng)機(jī)、鼓風(fēng)機(jī)、送料、循環(huán)泵的控制狀態(tài)數(shù)據(jù)和系統(tǒng)操作狀態(tài)，數(shù)據(jù)通過(guò)傳感器和監(jiān)控系統(tǒng)實(shí)時(shí)收集，以結(jié)構(gòu)化的json格式存儲(chǔ)；對(duì)采集到的數(shù)據(jù)進(jìn)行人工標(biāo)注；

5、s2、數(shù)據(jù)擴(kuò)充：采用基于隨機(jī)投影嵌入的量子生成對(duì)抗網(wǎng)絡(luò)進(jìn)行樣本生成，進(jìn)而實(shí)現(xiàn)數(shù)據(jù)擴(kuò)充；

6、s3、特征提取模型訓(xùn)練：將擴(kuò)充后的數(shù)據(jù)輸入到特征提取模型中進(jìn)行特征提取模型的訓(xùn)練，采用5層的全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取；

7、s4：特征降維模型訓(xùn)練：將特征提取后的數(shù)據(jù)輸入到特征降維模型中進(jìn)行特征降維模型訓(xùn)練；

8、s5、分類器模型訓(xùn)練：將降維后的數(shù)據(jù)輸入到分類器中進(jìn)行分類器模型的訓(xùn)練；

9、s6、蒸汽發(fā)生器狀態(tài)識(shí)別監(jiān)測(cè)：通過(guò)訓(xùn)練完成的模型對(duì)新的蒸汽發(fā)生器狀態(tài)數(shù)據(jù)進(jìn)行處理，實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)和狀態(tài)分類，具體是將采集的原始數(shù)據(jù)輸入到訓(xùn)練完成的特征提取和特征降維模型中進(jìn)行特征處理，再將處理得到的特征輸入到分類器模型中進(jìn)行分類器的訓(xùn)練，進(jìn)而得到分類結(jié)果。

10、進(jìn)一步的，在步驟s2的數(shù)據(jù)擴(kuò)充中，訓(xùn)練數(shù)據(jù)的采集獲取、標(biāo)注及預(yù)處理是耗時(shí)耗力的，且訓(xùn)練樣本不足容易導(dǎo)致模型泛化能力差，同時(shí)影響模型的精度。采用基于隨機(jī)投影嵌入的量子生成對(duì)抗網(wǎng)絡(luò)進(jìn)行樣本生成，進(jìn)而實(shí)現(xiàn)數(shù)據(jù)擴(kuò)充；所述基于隨機(jī)投影嵌入的量子生成對(duì)抗網(wǎng)絡(luò)通過(guò)隨機(jī)投影將高維數(shù)據(jù)映射到低維量子態(tài)，然后利用量子機(jī)制加速生成對(duì)抗網(wǎng)絡(luò)的訓(xùn)練過(guò)程，通過(guò)隨機(jī)矩陣?yán)碚搧?lái)設(shè)計(jì)量子態(tài)的初始化過(guò)程，提高數(shù)據(jù)映射的隨機(jī)性和覆蓋范圍，確保生成數(shù)據(jù)的多樣性和實(shí)用性。

11、基于隨機(jī)投影嵌入的量子生成對(duì)抗網(wǎng)絡(luò)算法的訓(xùn)練流程如下：

12、s201、量子生成對(duì)抗網(wǎng)絡(luò)首先將高維數(shù)據(jù)映射到低維量子態(tài)空間，具體采用隨機(jī)投影嵌入方法初始化量子生成對(duì)抗網(wǎng)絡(luò)的量子態(tài)，初始量子態(tài)的定義方式為：

13、；

14、式中，表示初始化的量子態(tài)；表示第個(gè)數(shù)據(jù)點(diǎn)的復(fù)數(shù)概率幅度；表示第個(gè)數(shù)據(jù)點(diǎn)映射后的量子基態(tài)；n表示數(shù)據(jù)樣本的總數(shù)；

15、s202、在量子生成器的訓(xùn)練過(guò)程中，通過(guò)量子門(mén)操作生成具有特定分布的量子態(tài)，并調(diào)整量子生成器的參數(shù)，進(jìn)而最小化生成數(shù)據(jù)與實(shí)際數(shù)據(jù)之間的差異，量子生成器的參數(shù)更新方式表示為：

16、；

17、式中，表示量子生成器的參數(shù)；表示第次迭代的量子生成器的參數(shù)；表示第次迭代的量子生成器的參數(shù)；表示量子生成器的學(xué)習(xí)率；表示量子信息增益損失函數(shù)；表示量子信息增益損失函數(shù)關(guān)于參數(shù)的梯度；為第次迭代的動(dòng)態(tài)調(diào)整系數(shù)；

18、其中，動(dòng)態(tài)調(diào)整系數(shù)根據(jù)數(shù)據(jù)的變異系數(shù)動(dòng)態(tài)調(diào)整，調(diào)整方式表示為：

19、；

20、式中，是第一調(diào)整超參數(shù)；是第二調(diào)整超參數(shù)；為變異系數(shù)；

21、變異系數(shù)的計(jì)算方式表示為：

22、；

23、其中，和分別為當(dāng)前輸入批次數(shù)據(jù)的標(biāo)準(zhǔn)差和平均值；

24、s203、量子生成器輸出的量子態(tài)經(jīng)過(guò)逆量子傅里葉變換后，轉(zhuǎn)換為用于機(jī)器學(xué)習(xí)的合成數(shù)據(jù)，表示為：

25、；

26、式中，表示生成的合成數(shù)據(jù)；表示逆量子傅里葉變換函數(shù)；

27、s204、在量子判別器的訓(xùn)練過(guò)程中，量子判別器通過(guò)對(duì)比真實(shí)數(shù)據(jù)和合成數(shù)據(jù)的量子態(tài)構(gòu)建量子判別器的損失函數(shù)，并通過(guò)最小化量子判別器的損失函數(shù)實(shí)現(xiàn)參數(shù)的尋優(yōu)，量子判別器的參數(shù)的更新過(guò)程表示為：

28、；

29、式中，表示量子判別器的參數(shù)；表示第次迭代的量子判別器的參數(shù)；表示第次迭代的量子判別器的參數(shù)；表示量子判別器的學(xué)習(xí)率；表示量子判別器的損失函數(shù)；表示量子判別器的損失函數(shù)關(guān)于參數(shù)的梯度；

30、其中，量子判別器的損失函數(shù)的計(jì)算方式表示為：

31、；

32、式中，是第個(gè)樣本的標(biāo)簽；是第個(gè)樣本的量子態(tài)；

33、s205、重復(fù)迭代步驟s201-s204，直至滿足預(yù)設(shè)的停止迭代條件，即表示模型訓(xùn)練完成；數(shù)據(jù)擴(kuò)充模型訓(xùn)練完成后，利用訓(xùn)練好的數(shù)據(jù)擴(kuò)充模型增加樣本數(shù)量。

34、進(jìn)一步的，在步驟s3的特征提取模型訓(xùn)練中，將擴(kuò)充后的數(shù)據(jù)輸入到特征提取模型中進(jìn)行特征提取模型的訓(xùn)練，采用5層的全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提??；現(xiàn)有技術(shù)中，一些方案使用神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，在某些神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，可能會(huì)遇到梯度消失、梯度爆炸或陷入局部最優(yōu)解的問(wèn)題，影響訓(xùn)練的穩(wěn)定性和模型的性能。本發(fā)明采用基于特征提取果蠅優(yōu)化的神經(jīng)網(wǎng)絡(luò)作為特征提取模型，輸入層接收采集的多維傳感器數(shù)據(jù)，隱藏層通過(guò)多層神經(jīng)網(wǎng)絡(luò)進(jìn)行深度特征提取，本發(fā)明采用信息瓶頸策略約束特征提取過(guò)程，確保傳遞到輸出層的信息是最關(guān)鍵的，從而減少冗余信息的傳播，有效加速學(xué)習(xí)過(guò)程。

35、具體的，采用基于特征提取果蠅優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法，其訓(xùn)練流程如下：

36、s301、初始化神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置，權(quán)重和偏置的初始化方式表示為：

37、；

38、式中，為神經(jīng)網(wǎng)絡(luò)第層的權(quán)重；為神經(jīng)網(wǎng)絡(luò)第層的偏置；表示服從于特定分布；為第l-1層的神經(jīng)元數(shù)量；表示均值為0、標(biāo)準(zhǔn)差為的正態(tài)分布，對(duì)于第一層神經(jīng)元，其初始化的正態(tài)分布標(biāo)準(zhǔn)差設(shè)置為0.01；

39、s302、數(shù)據(jù)通過(guò)網(wǎng)絡(luò)層逐層傳遞，在隱藏層到輸出層的傳遞過(guò)程中，采用信息瓶頸層通過(guò)限制信息量來(lái)強(qiáng)制網(wǎng)絡(luò)學(xué)習(xí)更有用的特征，具體的，前向傳播的過(guò)程表示為：

40、；

41、式中，為神經(jīng)網(wǎng)絡(luò)第層的線性變換輸出；為神經(jīng)網(wǎng)絡(luò)第層的輸出;為神經(jīng)網(wǎng)絡(luò)第層的激活噪聲；為relu激活函數(shù)；為信息瓶頸的縮放因子；表示范數(shù)；

42、激活噪聲的強(qiáng)度根據(jù)損失函數(shù)的值動(dòng)態(tài)調(diào)整，調(diào)整方式表示為：

43、；

44、式中，是基線噪聲系數(shù)；為神經(jīng)網(wǎng)絡(luò)的損失函數(shù)；是噪聲敏感度超參數(shù)；是從標(biāo)準(zhǔn)正態(tài)分布生成的隨機(jī)噪聲向量；

45、信息瓶頸的縮放因子基于輸入數(shù)據(jù)的熵變化來(lái)動(dòng)態(tài)調(diào)整，以增加模型對(duì)數(shù)據(jù)變化的敏感性，計(jì)算方式表示為：

46、；

47、式中，為目標(biāo)數(shù)據(jù)的熵；為第層輸出數(shù)據(jù)的熵；為輸入到信息瓶頸層的目標(biāo)數(shù)據(jù)，目標(biāo)數(shù)據(jù)表征輸入數(shù)據(jù)對(duì)應(yīng)的預(yù)測(cè)為正確樣本標(biāo)簽的概率數(shù)據(jù)，由預(yù)設(shè)的softmax函數(shù)計(jì)算得到；

48、目標(biāo)數(shù)據(jù)的熵的計(jì)算方式表示為：

49、；

50、式中，為熵值計(jì)算函數(shù)；文中所有的log都沒(méi)有底數(shù)，是因?yàn)椋涸谟?jì)算機(jī)編程語(yǔ)言中，log函數(shù)默認(rèn)計(jì)算自然對(duì)數(shù)，所以沒(méi)有寫(xiě)底數(shù)，而且在本領(lǐng)域?qū)C(jī)器學(xué)模型進(jìn)行原理解釋時(shí)，通常默認(rèn)不帶底數(shù)，因?yàn)椴徽摰讛?shù)是多少，只要固定任意一個(gè)底數(shù)，都不影響模型訓(xùn)練的過(guò)程和結(jié)果。

51、s303、利用損失函數(shù)評(píng)估輸出層的特征表達(dá)與目標(biāo)特征之間的差異，損失函數(shù)的計(jì)算方式表示為：

52、；

53、式中，為神經(jīng)網(wǎng)絡(luò)的損失函數(shù)，為真實(shí)輸出；為模型的輸出經(jīng)過(guò)預(yù)設(shè)的softmax函數(shù)計(jì)算得到的預(yù)測(cè)輸出；為平衡參數(shù)；

54、s304、在誤差反向傳播階段，采用果蠅優(yōu)化算法評(píng)估每一組參數(shù)對(duì)應(yīng)的損失，指導(dǎo)參數(shù)向損失最小的方向更新，參數(shù)的更新方式表示為：

55、；

56、式中，為第層第次迭代的神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)，為第層第次迭代的神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)，為第層第次迭代的神經(jīng)網(wǎng)絡(luò)的偏置參數(shù)，為第層第次迭代的神經(jīng)網(wǎng)絡(luò)的偏置參數(shù)；為基于果蠅算法得出的權(quán)重參數(shù)調(diào)整量；為基于果蠅算法得出的偏置參數(shù)調(diào)整量；為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率；

57、s305、重復(fù)迭代步驟s301-s304，直至滿足預(yù)設(shè)的停止迭代條件，即表示模型訓(xùn)練完成。

58、進(jìn)一步的，在步驟s4的特征降維模型訓(xùn)練中，將特征提取后的數(shù)據(jù)輸入到特征降維模型中進(jìn)行特征降維模型訓(xùn)練，本發(fā)明采用基于局部保持投影的自編碼神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)特征降維，所述基于局部保持投影的自編碼神經(jīng)網(wǎng)絡(luò)包括編碼器部分和解碼器部分，編碼器用于將高維特征空間映射到低維特征空間，解碼器則試圖從這低維空間恢復(fù)原始數(shù)據(jù)，從而在降維的同時(shí)保持?jǐn)?shù)據(jù)的主要特征。本發(fā)明采用基于特征的非線性哈希編碼策略在編碼過(guò)程中保留了數(shù)據(jù)的局部結(jié)構(gòu)，并通過(guò)非線性函數(shù)將特征映射到哈?？臻g，增強(qiáng)了模型在處理非線性數(shù)據(jù)結(jié)構(gòu)時(shí)的能力。

59、具體的，采用基于局部保持投影的自編碼神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)特征降維，訓(xùn)練流程如下：

60、s401、對(duì)自編碼神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置進(jìn)行隨機(jī)初始化，初始化的方式表示為：

61、；

62、式中，為自編碼神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)，為自編碼神經(jīng)網(wǎng)絡(luò)的偏置參數(shù)，是自編碼神經(jīng)網(wǎng)絡(luò)的初始化標(biāo)準(zhǔn)差；是自編碼神經(jīng)網(wǎng)絡(luò)的輸入層維度，也即特征提取后的特征維度；是自編碼神經(jīng)網(wǎng)絡(luò)的隱藏層維度；為生成區(qū)間的標(biāo)準(zhǔn)正態(tài)分布；生成維的零向量；

63、s402、輸入的特征降維后的數(shù)據(jù)通過(guò)編碼器部分進(jìn)行處理，形成編碼后的低維表示，前向傳播的過(guò)程表示為：

64、；

65、式中，表示編碼后的特征表示；表示注意力權(quán)重；為點(diǎn)積符號(hào)；為sigmoid激活函數(shù)；是權(quán)重矩陣的轉(zhuǎn)置；是輸入到自編碼神經(jīng)網(wǎng)絡(luò)的特征降維后的數(shù)據(jù)；

66、注意力權(quán)重通過(guò)對(duì)輸入特征進(jìn)行加權(quán)，突出對(duì)當(dāng)前監(jiān)測(cè)任務(wù)更為重要的特征，計(jì)算方式表示為：

67、；

68、式中，為可學(xué)習(xí)的權(quán)重矩陣；為softmax函數(shù)；

69、s403、在自編碼神經(jīng)網(wǎng)絡(luò)的隱藏層，采用局部保持投影策略，根據(jù)數(shù)據(jù)的鄰接關(guān)系優(yōu)化隱藏層神經(jīng)元的輸出，以保持?jǐn)?shù)據(jù)點(diǎn)間的局部關(guān)系，表示為：

70、；

71、式中，是局部保持損失項(xiàng)，用于約束隱藏層神經(jīng)元的訓(xùn)練過(guò)程；是第個(gè)樣本和第個(gè)樣本之間的相似性權(quán)重；表示范數(shù)；是核函數(shù)的帶寬參數(shù)；

72、s404、將局部保持的低維特征通過(guò)非線性函數(shù)映射到哈希空間，通過(guò)提升數(shù)據(jù)的可分性優(yōu)化降維效果，增強(qiáng)模型的特征表達(dá)能力，表示為：

73、；

74、式中，為哈希編碼后的特征；是從特征空間到哈希空間的映射矩陣；是映射過(guò)程中的偏置項(xiàng)；是符號(hào)函數(shù)，用于生成二值哈希碼；

75、的計(jì)算方式表示為：

76、；

77、式中，表示的轉(zhuǎn)置，是正則化系數(shù)，用以確保數(shù)值穩(wěn)定性；表示單位矩陣；

78、s405、通過(guò)計(jì)算輸出層與原始輸入之間的重構(gòu)誤差，采用梯度下降方法更新自編碼神經(jīng)網(wǎng)絡(luò)的參數(shù)和，優(yōu)化整個(gè)網(wǎng)絡(luò)的性能，更新模型參數(shù)的方式表示為：

79、；

80、式中，是總損失函數(shù);為的轉(zhuǎn)置；是重構(gòu)的輸入數(shù)據(jù)；是正則化參數(shù)；是自編碼神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率；是sigmoid激活函數(shù)；表示參數(shù)更新操作；

81、將總損失函數(shù)代入權(quán)重和偏置的更新公式中，得到權(quán)重和偏置的更新方式，表示為：

82、；

83、式中，梯度項(xiàng)和分別表示重構(gòu)誤差關(guān)于權(quán)重和偏置的偏導(dǎo)數(shù)，和表示局部保持損失關(guān)于權(quán)重和偏置的偏導(dǎo)數(shù)；

84、權(quán)重矩陣采用梯度下降的方式進(jìn)行更新，更新方式表示為：

85、；

86、式中，表示總損失對(duì)注意力權(quán)重的偏導(dǎo)數(shù)；表示注意力權(quán)重對(duì)權(quán)重矩陣的偏導(dǎo)數(shù)；

87、s406、重復(fù)迭代步驟s401-s405，直至滿足預(yù)設(shè)的停止迭代條件，即表示模型訓(xùn)練完成。

88、進(jìn)一步的，在步驟s5的分類器模型訓(xùn)練中，將降維后的數(shù)據(jù)輸入到分類器中進(jìn)行分類器模型的訓(xùn)練，本發(fā)明采用基于稀疏子空間學(xué)習(xí)的隨機(jī)森林算法作為分類器，所述隨機(jī)森林算法利用多個(gè)決策樹(shù)構(gòu)建一個(gè)集成學(xué)習(xí)框架，通過(guò)在隨機(jī)選擇的子空間中構(gòu)建每棵樹(shù)來(lái)增強(qiáng)模型的泛化能力和準(zhǔn)確性。本發(fā)明在隨機(jī)森林算法的基礎(chǔ)上采用模糊變量約束，使模型在處理具有噪聲或模糊分類邊界的數(shù)據(jù)時(shí)更加魯棒，通過(guò)在決策樹(shù)的節(jié)點(diǎn)分裂過(guò)程中采用模糊邏輯，優(yōu)化了特征選擇和分類決策的過(guò)程，從而更好地適應(yīng)蒸汽發(fā)生器狀態(tài)監(jiān)測(cè)中的復(fù)雜情況。

89、具體的，采用基于稀疏子空間學(xué)習(xí)的隨機(jī)森林算法進(jìn)行訓(xùn)練，流程如下：

90、s501、初始化決策樹(shù)的數(shù)量和每棵樹(shù)的特征數(shù)量，每棵樹(shù)的特征數(shù)量初始化為：

91、；

92、式中，為輸入的特征降維后的數(shù)據(jù)特征的總數(shù)量；

93、s502、從原始特征集中隨機(jī)抽取個(gè)特征，并從訓(xùn)練樣本中隨機(jī)選擇樣本，形成每棵樹(shù)的訓(xùn)練數(shù)據(jù)；對(duì)于每棵樹(shù)，遞歸構(gòu)建決策節(jié)點(diǎn)，在每個(gè)節(jié)點(diǎn)，采用模糊邏輯來(lái)評(píng)估和選擇每個(gè)特征對(duì)樣本分類的貢獻(xiàn)，允許部分重疊和不確定性的存在，以增加模型處理復(fù)雜、模糊數(shù)據(jù)的能力，則基于模糊邏輯在節(jié)點(diǎn)分裂時(shí)的信息增益的計(jì)算方式表示為：

94、；

95、式中，為基于模糊邏輯的信息增益，用于選擇分裂特征se和分裂閾值te；為分裂特征se和分裂閾值te條件下取最大值操作；為閾值te下的模糊熵；為第個(gè)樣本權(quán)重；nf為當(dāng)前批次的輸入樣本總數(shù)；為屬于閾值te下類別的隸屬度函數(shù)；為樣本的總隸屬度；

96、其中，模糊熵表征模糊隸屬度，計(jì)算方式表示為：

97、；

98、式中，為閾值te下樣本屬于第個(gè)類別的模糊概率，為所有類別的集合；

99、s503、在決策樹(shù)的每個(gè)分裂過(guò)程中，計(jì)算模糊隸屬度，根據(jù)糊隸屬度選擇分裂特征和點(diǎn)，以優(yōu)化樹(shù)的結(jié)構(gòu)，計(jì)算方式表示為：

100、；

101、式中，是控制隸屬度的陡峭程度參數(shù)；為樣本在閾值te下的核函數(shù)；為控制隸屬度的平滑性參數(shù)；

102、核函數(shù)的計(jì)算方式表示為：

103、；

104、式中，為自適應(yīng)核函數(shù)的帶寬參數(shù)；

105、自適應(yīng)核函數(shù)的帶寬參數(shù)的計(jì)算方式表示為：

106、；

107、式中，為調(diào)節(jié)因子；為中位數(shù)計(jì)算函數(shù)，表示樣本與其鄰域樣本之間歐式距離的中位數(shù)，且，；

108、s504、在決策樹(shù)的成長(zhǎng)過(guò)程中，對(duì)每個(gè)節(jié)點(diǎn)進(jìn)行分裂，直到滿足停止條件；

109、s505、所有的決策樹(shù)停止分類后，即表示模型訓(xùn)練完成，訓(xùn)練完成的模型的輸出通過(guò)投票的方式進(jìn)行最終的分類結(jié)果的輸出。

110、進(jìn)一步地，在步驟s202中，量子信息增益損失函數(shù)采用基于量子態(tài)的wasserstein損失進(jìn)行計(jì)算，計(jì)算方式表示為：

111、；

112、式中，表示期望，和分別代表真實(shí)和生成的量子態(tài)；是真實(shí)和生成量子態(tài)之間的插值；表示量子判別器的判別函數(shù)；是平衡系數(shù)；為范數(shù)。

113、進(jìn)一步地，在步驟s203中，生成的合成數(shù)據(jù)通過(guò)混合核密度估計(jì)進(jìn)行調(diào)整，利用核函數(shù)更精確地模擬目標(biāo)數(shù)據(jù)分布，表示為：

114、；

115、式中，表示混合核密度函數(shù)；表示第個(gè)核的混合權(quán)重；表示第個(gè)核函數(shù)的帶寬；表示核中心；表示數(shù)據(jù)的第個(gè)特征；表示生成的合成數(shù)據(jù)的特征維度；

116、其中，混合核密度函數(shù)的計(jì)算方式表示為：

117、；

118、式中，和是數(shù)據(jù)的第個(gè)特征的均值和標(biāo)準(zhǔn)差；是拉普拉斯核的位置參數(shù)；是防止分母為零的小正數(shù)。

119、進(jìn)一步地，在步驟s304中，基于果蠅算法得出的權(quán)重參數(shù)調(diào)整量和偏置參數(shù)調(diào)整量的計(jì)算方式分別表示為：

120、；

121、式中，為果蠅算法的搜索半徑；生成（0,1）區(qū)間的標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)；為符號(hào)函數(shù)；表示損失函數(shù)關(guān)于權(quán)重的梯度；表示損失函數(shù)關(guān)于偏置的梯度。

122、進(jìn)一步地，在步驟s502中，模糊概率的計(jì)算方式表示為：

123、；

124、式中，是樣本在閾值te下屬于第個(gè)類別的模糊隸屬度；是樣本在閾值te下的模糊隸屬度。

125、本發(fā)明的有益效果：

126、1、本發(fā)明通過(guò)基于隨機(jī)投影嵌入的量子生成對(duì)抗網(wǎng)絡(luò)實(shí)現(xiàn)數(shù)據(jù)樣本的生成和擴(kuò)充，解決了傳統(tǒng)方法中樣本數(shù)量不足和數(shù)據(jù)多樣性缺乏的問(wèn)題。

127、2、本發(fā)明利用全連接神經(jīng)網(wǎng)絡(luò)結(jié)合信息瓶頸策略和果蠅優(yōu)化算法進(jìn)行特征提取，有效避免了梯度消失、爆炸或陷入局部最優(yōu)的常見(jiàn)問(wèn)題。

128、3、本發(fā)明利用基于局部保持投影的自編碼神經(jīng)網(wǎng)絡(luò)進(jìn)行特征降維，通過(guò)保持?jǐn)?shù)據(jù)點(diǎn)間局部關(guān)系的策略，提升了模型處理非線性數(shù)據(jù)的能力。

129、4、本發(fā)明利用基于稀疏子空間學(xué)習(xí)的隨機(jī)森林算法結(jié)合模糊邏輯，增強(qiáng)了模型在處理具有噪聲或模糊分類邊界數(shù)據(jù)時(shí)的魯棒性。