工业过程关键指标预测的知识协同进化增强图卷积网络方法

在流程工业关键变量预测领域,已有研究致力于将过程知识与大数据相结合,以实现更高的准确性,降低过拟合风险和提高可解释性.然而,现有工作存在准确的先验知识构建成本高、无法从丰富的数据中挖掘知识等问题,限制了这些方法在实际工业过程中的广泛应用.为了解决这些挑战,本文提出了一种基于知识协同进化的增强图卷积网络方法.首先,利用易获取的过程流图构建低成本的粗粒度流程知识.然后,在图卷积神经网络模型训练中引入图探索,实现知识更新.最后,为了降低知识复杂度并保持一致性,设计了一种知识过滤机制.所提出的方法在基准的脱丁烷塔工艺过程上进行了验证.实验结果表明,该方法具有出色的预测准确性,并获得高质量的新知识.

基于机器学习算法的分布式数据库关键性能指标预测分析

机器学习算法以人工智能为基础,在分布式数据库运维管理期间,可运用机器学习算法对其关键性能指标进行分析预测,以此提高分布式数据库运维模式实际效果。基于此,本文首先讨论了机器学习算法目标及方式,进行分布式数据库多指标分类预测分析,并总结归纳机器学习算法关键性能指标预测分析原理,进一步基于机器学习算法分类预测模型分析了分布式数据库关键性能指标。