近日，我校工學院電氣工程系楊澤宇老師以第一作者、研究生胡婷婷為第二作者在國際儀器和測量領域頂刊《IEEE Transactions on Instrumentation and Measurement》（中科院TOP期刊）上，發表題為“Stacked Dual-Guided Autoencoder: A Scalable Deep Latent Variable Model for Semi-Supervised Industrial Soft Sensing”的研究論文。

　　質量相關的特征在監控生產過程以及為質量預測建模提供關鍵支持方面發揮著至關重要的作用，由于堆疊自編碼器（SAE）提取特征時是無監督預訓練策略，只關注數據的分布而不考慮標簽信息，因此產生的特征可能缺乏區分。此外，逐層貪婪的訓練導致誤差層層累積，會對性能產生負面影響并降低模型精度。

　　團隊首先引入了一種新的堆疊雙引導自編碼器（SDGAE），以更好地表征復雜的數據模式并學習質量相關特征。與SAE相比，SDGAE的思想在于堆疊一系列分層雙引導自編碼器（DGAE），旨在使每個DGAE能夠準確地重建原始輸入數據。它還通過引入監督項使模型能夠同時提取與輸出變量高度相關的特征。此外，實際場景通常涉及有限的標記數據和大量未標記數據，這使得網絡缺乏足夠的泛化能力。為了解決這一困境，我們進一步提出了一種深度半監督堆疊雙引導自編碼器（SSDGAE），它能夠在預訓練階段從無標簽數據中獲得有用的特征表示和結構信息，這與SDGAE能夠做到的從有標簽數據中獲得信息相輔相成。在楊澤宇導師的指導下，學生積極參與SDGAE和SSDGAE模型的設計和實現工作。他們通過編程將理論轉化為實際的算法，并進行了多次調試和優化。

　　研究克服了傳統深度學習算法的局限性，提出了一種專用于高級輸出相關特征提取的半監督雙向引導堆疊自編碼器模型。最終，所提出的方法在兩個真實的工業案例中得到了驗證，證明了其有效性和優越性。

　　論文鏈接：https://ieeexplore.ieee.org/document/10663500

　　通訊員：姚玲虹