(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110920485.6 (22)申请日 2021.08.1 1 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 马驰　刘佳兰　桂洪泉　王时龙　 (74)专利代理 机构 重庆航图知识产权代理事务 所(普通合伙) 50247 代理人 胡小龙 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/08(2020.01) (54)发明名称 STO-BTCN热误差预测模型建模方法及其迁 移学习方法 (57)摘要 本发明公开了一种STO ‑BTCN热误差预测模 型建模方法， 包括如下步骤： 1)初始化燕鸥优化 算法(STO)的参数； 2)创建BTCN神经网络， 将燕鸥 的初始位置映射为BTCN神经网络的批处理大小 和滤波器数量； 3)以平均绝对误差(MAE)视为适 应度函数； 4)判断平均绝对误差(MAE)是否小于 设定阈值； 5)判断迭代次数是否达到最大值， 若 是， 则终止迭代； 若否， 则迭代次数加1， 并将更新 后的燕鸥位置映射为BTCN神经网络的批处理大 小和滤波器数量后， 循环执行步骤3)； 6)以燕鸥 优化算法(S TO)得到的批处理大小和滤波器数量 作为BTCN神经网络的最佳超参数， 构建得到S TO‑ BTCN热误差 预测模型。 本发明还公开了一种S TO‑ BTCN热误差预测模型的迁移学习方法。 权利要求书2页 说明书23页 附图12页 CN 113946990 A 2022.01.18 CN 113946990 A 1.一种STO ‑BTCN热误差预测模型建模方法， 其特 征在于： 包括如下步骤： 1)初始化燕鸥优化算法(STO)的参数， 随机生成燕鸥的初始位置； 判断燕鸥的初始位置 是否超出预设范围， 若是， 则将燕鸥的初始位置改为边界； 若否， 则 保持燕鸥的初始位置不 变； 2)创建BTCN神经网络， 将燕鸥的初始位置映射为BTCN神经网络的批处理大小和滤波器 数量； 所述BTCN神经网络的双线性层包括两个BTCN卷积层， 令其中一个BTCN卷积层的输出 为A1＝(a1,…,an)， 另一个BTCN卷积层的输出为A2＝(a'1,…,a'n)， 则双线性层的融合输出 G'为： 对G'取对角元 素并进行归一 化处理， 则得到双线性层的最终输出G； 3)以热误差数据训练BTCN神经网络后、 利用BTCN神经网络预测热误差， 以热误差测量 值和由BTCN神经网络预测得到的热误差预测值之间的平均绝对误差(MAE)视为适应度函 数； 4)判断平均绝对误差(MAE)是否小于设定阈值； 若是， 则以当前燕鸥位置映射得到的批 处理大小和滤波器数量作为BTCN神经网络的最佳超参数； 若否， 则更新燕鸥优化算法(STO) 的参数， 并将更新参数后的燕鸥优化算法(STO)的搜索结果与之前的最优解进 行比较， 若 更 新参数后的搜索结果的适应度小于之前的最优解的适应度， 则以更新参数后搜索到的位置 Pst(z+1)替换之前最优解的位置Pbest(z)； 5)判断迭代次数是否达到最大值， 若是， 则终止迭代， 以平均绝对误差(MAE)最小时的 燕鸥位置映射得到的批处理大小和滤波器数量作为BTCN神经网络的最佳超参数； 若否， 则 迭代次数加1， 并将更新后的燕鸥位置映射为B TCN神经网络的批处理大小和滤波器数量后， 循环执行步骤3)； 6)以燕鸥优化算法(STO)得到的批处理大小和滤波器数量作 为BTCN神经网络的最佳超 参数， 构建得到STO ‑BTCN热误差预测模型。 2.根据权利要求1所述的STO ‑BTCN热误差预测模型建模方法， 其特征在于： 所述步骤3) 中， 将热误差数据以监 督学习算法处 理后， 再作为BTCN神经网络的训练集和 测试集。 3.根据权利要求1所述的STO ‑BTCN热误差预测模型建模方法， 其特征在于： 所述步骤4) 中， 燕鸥优化 算法(STO)参数的更新方法如下： Cst＝SA*Pst(z) Mst＝CB*(Pbest(z)‑Pst(z)) CB＝0.5*Rand Dst＝Cst+Mst 其中， Pst(z)是燕鸥的当前位置； z是迭代次数； Cst是燕鸥在不相互碰撞 的情况下的位 置； CB是一个随机变量； Mst是当前位置 向最优位置移动的过程； Pbest(z)是燕鸥的全局最优 位置； Rand是一个介于0和1之间的随机数； Dst是当前位置向最优位置更新的轨迹； SA为避免 碰撞的控制参数， 且：权　利　要　求　书 1/2 页 2 CN 113946990 A 2其中， Itermax是最大迭代次数。 4.根据权利 要求3所述的STO ‑BTCN热误差预测模型建模方法， 其特征在于： 更新燕鸥优 化算法(STO)参数后搜索到的燕鸥位置为： 其中： Dθ＝|r6Pbest(z)‑Pst(z)| r4∈(0,360°) 其中， Pst(z+1)表示更新参数后搜索到的燕鸥位置； r3,r4,r5和r6表示在[0,1]范围内随 机生成的四个参数； a表示常数； Dθ是当前位置与最佳位置之间的距离 。 5.根据权利 要求1所述的STO ‑BTCN热误差预测模型建模方法， 其特征在于： 所述BTCN神 经网络包括至少两层 BTCN单元， 相邻两层 BTCN单元之间采用残差块相连接 。 6.根据权利 要求5所述的STO ‑BTCN热误差预测模型建模方法， 其特征在于： 所述残差块 的表达式为： z(i+1)＝σ(T(z(i) )+z(i)) 其中， z(i+1)和z(i)分别是第ith个残差块的输出和输入； σ 是relu激活函数； T(z(i))是 第ith个残差块中的非线性变换。 7.根据权利 要求5所述的STO ‑BTCN热误差预测模型建模方法， 其特征在于： 所述BTCN单 元采用因果卷积和扩张卷积， 因果卷积的表达式为： 扩张卷积的表达式为： 其中， 其中， F(t)是输出； xt‑i是输入； fi是滤波器； k是 卷积核的大小； d是扩张因子 。 8.一种STO ‑BTCN热误差预测模型的迁移学习方法， 其特 征在于： 包括如下步骤： 1)根据1#工况下的热误差数据， 采用如权利要求1 ‑7任一项所述STO ‑BTCN热误差预测 模型建模方法创建得到的STO ‑BTCN热误差预测模型； 2)保持所述STO ‑BTCN热误差预测模型的BTCN神经网络的BTCN层的参数不变， 将2#工况 下的热误差数据输入并训练所述STO ‑BTCN热误差预测模型以更新BTCN神经网络的全连接 层到输出层的参数， 得到STO ‑BTCN热误差预测迁移学习模型。权　利　要　求　书 2/2 页 3 CN 113946990 A 3