9I果冻制作厂

　　近日，我校工学院电气工程系杨泽宇老师以第一作者、研究生胡婷婷为第二作者在国际仪器和测量领域顶刊《IEEE Transactions on Instrumentation and Measurement》（中科院TOP期刊）上，发表题为“Stacked Dual-Guided Autoencoder: A Scalable Deep Latent Variable Model for Semi-Supervised Industrial Soft Sensing”的研究论文。

　　质量相关的特征在监控生产过程以及为质量预测建模提供关键支持方面发挥着至关重要的作用，由于堆迭自编码器（厂础贰）提取特征时是无监督预训练策略，只关注数据的分布而不考虑标签信息，因此产生的特征可能缺乏区分。此外，逐层贪婪的训练导致误差层层累积，会对性能产生负面影响并降低模型精度。

　　团队首先引入了一种新的堆迭双引导自编码器（厂顿骋础贰），以更好地表征复杂的数据模式并学习质量相关特征。与厂础贰相比，厂顿骋础贰的思想在于堆迭一系列分层双引导自编码器（顿骋础贰），旨在使每个顿骋础贰能够准确地重建原始输入数据。它还通过引入监督项使模型能够同时提取与输出变量高度相关的特征。此外，实际场景通常涉及有限的标记数据和大量未标记数据，这使得网络缺乏足够的泛化能力。为了解决这一困境，我们进一步提出了一种深度半监督堆迭双引导自编码器（厂厂顿骋础贰），它能够在预训练阶段从无标签数据中获得有用的特征表示和结构信息，这与厂顿骋础贰能够做到的从有标签数据中获得信息相辅相成。在杨泽宇导师的指导下，学生积极参与厂顿骋础贰和厂厂顿骋础贰模型的设计和实现工作。他们通过编程将理论转化为实际的算法，并进行了多次调试和优化。

　　研究克服了传统深度学习算法的局限性，提出了一种专用于高级输出相关特征提取的半监督双向引导堆迭自编码器模型。最终，所提出的方法在两个真实的工业案例中得到了验证，证明了其有效性和优越性。

　　论文链接：

　　通讯员：姚玲虹