.png){kind=icon}
返回
Cognitive-cycle learning framework for small-sample industrial process quality prediction
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-6501/ae49b0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工业过程的质量预测在少量样本条件下受限于数据不足，这严重限制了现有预测方法的性能和鲁棒性。为解决这一挑战，本文提出了一种认知循环学习框架（CCLF），其中设计了一种新型趋势感知采样器和一个多准则验证器（MV），用于生成高置信度数据以扩充训练集，从而在数据匮乏的工业场景中提高预测精度。趋势感知贝叶斯采样器通过捕捉工业过程数据的宏观演变模式生成候选样本。随后，MV从五个互补的角度评估和筛选这些候选样本：因果一致性、分布密度、趋势一致性、初始分布距离和预测不确定性，以确保扩充样本的可靠性和工业相关性。同时，认知循环机制在迭代过程中持续更新知识库，实现样本质量和预测精度的联合提升。在半导体制造和青霉素发酵工业数据集上的实验研究表明，CCLF在不同样本规模下均能取得卓越的预测性能。特别是在少量样本条件下，CCLF显著优于偏最小二乘法、支持向量回归、随机森林、GP-UCB、TuRBO、BOCK和代表性的主动学习基线方法。
Keyword:
small-sample learning
quality prediction
cognitive-cycle learning
trend-aware sampling
multi-criteria validation
期刊
IF:
3.4
论文数:
2.7K
被引数:
2.3W
机构
引用论文
分享收藏Causal discovery in industrial systems via physics-guided variational attention and probabilistic interventions工业系统中的因果发现：基于物理引导的变分注意力和概率干预
OAAI
OAAI分享收藏分享收藏Ma, F.; Ji, C.; Wang, J.; Sun, W.; Palazoglu, A. Soft Sensor Modeling Method Considering Higher-Order Moments of Prediction Residuals. Processes 2024, 12, 676. [Google Scholar] [CrossRef]Ma, F.; Ji, C.; Wang, J.; Sun, W.; Palazoglu, A. 基于预测残差高阶矩的软传感器建模方法. Processes 2024, 12, 676. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Data Mining and Analytics in the Process Industry: The Role of Machine Learning流程工业中的数据挖掘和分析: 机器学习的作用IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏A Data-Driven Semi-Supervised Soft-Sensor Method: Application on an Industrial Cracking Furnace一种数据驱动的半监督软测量方法：在工业裂解炉中的应用
OAAI
OAAI分享收藏分享收藏
查看更多内容