CN116628623B 基于smt质量大数据的高维特征重构与融合方法 （西安电子科技大学）

所WO2022252272A1,2022.12.08基于SMT质量大数据的高维特征重构与融合本发明公开一种基于SMT质量大数据的高维化数据特征提取模型，得到结构化数据提取特绝对百分比误差结合的方法对所提取的特征进行重构与融合。本发明提高了SMT企业数据的利据维度提升到了率，可用于对SMT产线质量大数据的多模态数据2(2)分别提取预处理后的SMT产线预文本数据集和SMT产线结构化数据集的特征，得到(3)将文本特征集和数据特征集进行合并及去重处理，并依据合并及去重后的特征集(4)构建激活函数不同的5种包含编码器和解码器的集成堆栈式自编码器SAE特征重构建立以Sigmoid为激活函数的SAE特征建立以Softmax为激活函数的SAE特征建立以ReLU6为激活函数的SAE特征将最后一次迭代的输出结果作为每一类数据的特征重(6a)将步骤(5b)得到的损失值Jk作为每一类数据中每一种SAE特征重构模型的均方误j代表每一类数据集中第j种SAE特征重构模型基于第j个均方误差M和第j个平均3(2f)将(2e)得到的权重进行排序，取权重大于等于0.5的特征作为文本数据集提取的4所述编码器，其设有两层，第一层输入层隐藏神经元个数根据合并所述解码器，其设有两层，第一层隐含层隐藏神经元个数与编码器9.根据权利要求1所述的方法，其特征在于，所述(5b所述(5c)中通过反向传播方法计算损失值Jk的损失梯度公式其中wk为第k个编码器与解码器的权重；所述(5c)中采用随机下降梯度法，通过损失梯度对SAE特征重构模型中编码器与解5前SMT产线智能决策算法方面大多只利用到了结构化数据，尚未考虑将文本数据融合到算可以实现结构化数据的特征提取，堆栈式自编码器实现文本数据与结构化数据的特征融[0003]江苏达科数智技术有限公司在其申请号为202310045129.3的专利文献公开了一[0005]本发明的目的在于针对上述现有技术的不足，提出一种基于SMT质量大数据的高6[0008](2)分别提取预处理后的SMT产线预文本数据集和SMT产线结构化数据集的特征，[0009](3)将文本特征集和数据特征集进行合并及去重处理，并依据合并及去重后的特[0010](4)构建激活函数不同的5种包含编码器和解码器的集成堆栈式自编码器SAE特征[0019](5c)通过反向传播方法计算损失值Jk的损失梯度再采用随机下降梯度法，通[0021](6a)将步骤(5b)得到的损失值Jk作为每一类数据中每一种SAE特征重构模型的均[0025]其中，Ej代表每一类数据集中第j种SAE特征重构模型基于第j个均方误差M和第j7再利用协同误差计算每一类SAE特征重构模型在每一类数据集中的权重，最后将每个类别世界舞台上能挺起胸膛、不可忽视的重要指标。本发明的目的在于提高SMT产线数据利用8[0050]1.2.3)依据知识本体对初步处理后的文本数据集采用YEDDA软件进行实体标注，9[0083]将预处理后的SMT产线预文本数据集输入到BERT_Bi_LSTM_CRF命名实体识别模型[0084]利用均方误差公式MSE，计算每个特征向量序列的预测标注序列与实际标注序列[0090]2.3.2)将命名识别结果中的每一个特征向量序列输入到BERT实体关系抽取模型[0092]2.4)按照三元组的形式对文本数据抽[0098]2.6)采用现有Glove_word_vector词向量表示方法将知识图谱表示为词向量形[0104]步骤3，利用现有的XGBoost特征提取模型提取预处理后的SMT产线结构化数据集[0109]3.2)将预处理后的SMT产线结构化数据集中的特征输入到XGBoost特征提取模型[0110]3.3)利用XGBoost模型中的重要[0125]4.3)将筛选后的数据集依据SMT产线的数据机理知识和数据字段的逻辑关系划分[0153]7.1)将步骤6.3)得到的[0154]7.2)根据步骤6.1)的每一类数据对应每[0157]7.3)基于SAE特征重构模型的均方误差M和平均绝对百分比误差MAPE对每一次重[0160]其中，Ej代表每一类数据集中第j种SAE特征重构模型基于第j个