买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京工业大学申请的专利一种高效的提取动态性特征的宽度学习网络的污水处理过程故障监测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115660074B 。

龙图腾网通过国家知识产权局官网在2025-12-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211402915.6，技术领域涉及：G06N3/09；该发明授权一种高效的提取动态性特征的宽度学习网络的污水处理过程故障监测方法是由常鹏;张诗娆;孟凡超;齐智设计研发完成，并于2022-11-10向国家知识产权局提交的专利申请。

本一种高效的提取动态性特征的宽度学习网络的污水处理过程故障监测方法在说明书摘要公布了：本发明公开了一种高效的提取动态性特征的宽度学习网络的污水处理过程故障监测方法，用于解决由于污水处理过程数据的动态性和非线性导致的监测结果不准确的问题。本发明包括“离线训练”和“在线监测”两个阶段。“离线训练”包括：首先对采集的正常数据与故障数据整合为训练数据，对其进行动态扩展再进行归一化处理，然后利用宽度学习网络建立离线训练模型。“在线监测”包括：对新采集到的数据进行动态扩展后再归一化处理，并利用在离线状态训练好的模型实现在线监测。本发明利用高效的提取动态性特征的宽度学习网络提取数据中包含非线性和动态性信息的特征，可以更好的实现对污水处理过程的快速且准确监测。

本发明授权一种高效的提取动态性特征的宽度学习网络的污水处理过程故障监测方法在权利要求书中公布了：1.一种基于高效的提取动态性特征的宽度学习网络的污水处理过程故障监测方法，其特征包括“离线训练”和“在线监测”两个阶段，具体步骤如下： A.离线训练阶段： 1将一批正常数据和故障数据xfault进行组合，得到训练数据矩阵和标签矩阵如下： 其中表示正常数据的标签，Yfault表示故障的标签； 2将当前样本变量与前l个样本变量相结合，构造训练数据Xtrain的具有时滞过程变量的增广矩阵X如下所示： 其中m是样本变量个数，n是样本个数，l是矩阵扩展的动态阶数，l＝1，X∈Rn-l×l+1m 3对X用以下公式进行归一化处理： 其中，代表第n-l个样本的第l+1m个变量值，mean·和std·分别第l+1m个变量的均值和标准差，最终得到归一化后的数据集是数据集中的元素； 4将经过归一化处理后的数据输入到宽度学习系统里映射生成第i个窗口的特征节点的构造公式如下： 其中,Wei是映射到第i个窗口的特征节点的权重矩阵，βei是映射到第i个窗口的特征节点的偏置向量，初始训练时Wei和βei均为随机生成的一个在区间[0,1]内均匀分布的随机数； 5其中第i个特征窗口的特征节点p为第i个特征窗口的特征节点的个数，用以下公式将第i个窗口的特征节点归一化到[-1,1]区间内； 其中，归一化后的第i个窗口的特征节点Ti＝[t1,t2,...,tp]， 6为了解决网络权重与偏置随机性生成所带来的问题，将获得的第i个窗口的特征节点Ti进行稀疏化表示；其中稀疏矩阵Ws由以下公式获得： 其中，λ1是L1正则化参数，通过稀疏矩阵Ws映射，得到最终的第i个窗口的特征节点Zi＝[z1,z2,...,zp]， 7重复步骤4-6完成全部特征窗口的特征节点的生成，将这些节点进行连结表示为ZI＝[Z1,Z2,...,Zi]；随后利用特征节点构建第j个增强节点： 其中，是随机生成的一个在区间0,1内均匀分布的权重与偏置，ξ为激活函数tansig； 8重复步骤7中的公式生成全部所需的增强节点并连结为HJ＝[H1,H2,...,Hj]； 9得到特征节点及增强节点后，构建宽度学习系统，可用如下公式表示： Ytrain＝[ZI|HJ]WJ 其中，Ytrain为标签矩阵，WJ＝[ZI|HJ]+Ytrain是网络的输出连接权重；[·]+表示求某矩阵的伪逆，可通过如下公式获得：[AJ]+＝limλ→0λ2I+AJ[AJ]T-1[AJ]T 其中，λ2为L2正则化参数，I为单位矩阵，令AJ＝[ZI|HJ]即可求得宽度学习系统的输出网络权重WJ，从而获得输出矩阵； 10当模型的精度不能满足预期效果时，增加增强节点以提高非线性处理能力，从而改善网络性能；增加增强节点后输入层为AJ+1，由于网络不需要重新进行再训练，仅仅需要计算AJ+1的伪逆[AJ+1]+和权重WJ+1即可，计算过程如下所示: 其中，AJ+1是加入了新节点后的扩展矩阵，表示新加入的节点，和分别表示新增加节点的随机权重跟偏置； 11执行步骤10直至网络训练精度达到期望要求，精度期望设定为大于或等于95％，此时，保存新的训练模型参数； B.在线监测阶段： 12采集当前时刻的样本数据xnew，参考步骤2对新的采集数据构造具有时滞过程变量的增广矩阵 13根据步骤3的公式对经过扩展后的进行归一化处理得到输入数据Xnew； 14随后，将Xnew输入到训练好的宽度学习系统中，其中模型参数由离线建模训练得到，模型的最终输出为标签矩阵若标签为1说明此处有故障发生并发出警报，否则即为正常。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。