本发明涉及冷轧工艺领域，尤其涉及冷轧连续退火炉，具体是指一种基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法、装置、处理器及介质。
背景技术：
1、冷轧连续退火炉带钢是一种在冷轧工艺中经过连续退火处理的重要金属材料。连续退火是指将带钢在特定温度条件下进行持续加热和冷却处理，以改善其机械性能和物理特性。冷轧连续退火炉带钢广泛应用于汽车制造、航空航天、家电、建筑材料等领域。
2、然而，在冷轧连续退火过程中，带钢可能面临一系列的技术问题和挑战。其中带钢跑偏就是冷轧连续退火炉生产过程中的一个常见难题。它指的是带钢在经过连续退火炉处理时偏离预定位置的现象，可能导致带钢宽度不均匀、边缘变形、生产效率降低等问题。
技术实现思路
1、本发明的目的是克服了上述现有技术的缺点，提供了一种满足操作简便、生产效率高、适用范围较为广泛的基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法、装置、处理器及介质。
2、为了实现上述目的，本发明的基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法、装置、处理器及介质如下：
3、该基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法，其主要特点是，所述的方法包括以下步骤：
4、(1)通过众数替换法对数据进行初步处理以及标签标注，对数据进行分析后使用smote方法对小样本数据进行过采样，并对大样本数据进行欠采样，对数据进行归一化；
5、(2)通过专家经验法和xgboost算法进行组合进行特征选择；
6、(3)通过(1)和(2)的数据作为输入，通过深度学生框架构建深度神经网络，使用bn层和正则化防止过拟合，并使用优化器优化损失函数；
7、(4)通过t-sne降维可视化与十折交叉验证组评估分类模型性能，并通过观察模型结果对模型进行超参数调优。
8、较佳地，所述的步骤(1)具体包括以下步骤：
9、(1.1)采用众数替换法对离群值进行修正，对缺失值进行填补；
10、(1.2)对标签进行标注；
11、(1.3)分析样本平衡性，对小样本数据使用smote方法进行过采样；
12、(1.4)对大样本数据进行均匀随机欠采样，将过采样得到的合成样本进行欠采样；
13、(1.5)采用min-max标准化方法，对量纲进行统一实现数据的标准化。
14、较佳地，所述的步骤(1.3)具体包括以下步骤：
15、(1.3.1)确定数据集中的少数类样本；
16、(1.3.2)对每个少数类样本，从其近邻样本中选择一定数量的样本作为合成样本的候选；
17、(1.3.3)根据样本之间的距离进行插值，计算得到新的合成样本；
18、(1.3.4)重复步骤(1.3.3)，直到达到预设的过采样比例或达到指定的样本数量。
19、较佳地，所述的步骤(2)具体包括以下步骤：
20、(2.1)对每个特征进行初筛，删除不重要的变量；
21、(2.2)通过xgboost算法对特征重要性进行排序，设定阈值，对小于阈值的特征进行剔除。
22、较佳地，所述的步骤(2.2)具体包括以下步骤：
23、(2.2.1)使用xgboost算法对准备的数据集进行模型训练；
24、(2.2.2)进行特征重要性评估，通过计算每个特征在构建决策树时的分裂贡献度来确定特征的重要性；
25、(2.2.3)基于特征重要性评估的结果，进行特征筛选。
26、较佳地，所述的步骤(3)具体包括以下步骤：
27、(3.1)基于tensorflow框架构建深度神经网络模型；
28、(3.2)加入正则化项防止过拟合；
29、(3.3)使用adam优化器对交叉熵损失函数进行优化。
30、较佳地，所述的步骤(4)具体包括以下步骤：
31、(4.1)通过十折交叉验证对分类模型性能进行评估；
32、(4.2)使用t-sne降维可视化方法评判模型分类性能；
33、(4.3)根据模型输出的训练过程的信息，对超参数进行调优，选择合适的超参数组合。
34、较佳地，所述的步骤(4.1)具体包括以下步骤：
35、(4.1.1)将数据集随机分为多个大小相等的子集；
36、(4.1.2)进行循环训练，对每一次循环，选择其中一折作为验证集，剩下的几个折作为训练集，将每个折都充当一次验证集。
37、该用于实现基于smote算法和深度神经网络进行冷轧连续退火炉带钢跑偏预测处理的装置，其主要特点是，所述的装置包括：
38、处理器，被配置成执行计算机可执行指令；
39、存储器，存储一个或多个计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述的基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法的各个步骤。
40、该用于实现基于smote算法和深度神经网络进行冷轧连续退火炉带钢跑偏预测处理的处理器，其主要特点是，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述的基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法的各个步骤。
41、该计算机可读存储介质，其主要特点是，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现上述的基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法的各个步骤。
42、采用了本发明的基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法、装置、处理器及介质，不浪费生产过程产生的历史数据，充分利用数据进行分析，防止带钢跑偏；实现成本的降低，资源的优化，使带钢生产质量提升，生产效率提升。
1.一种基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法，其特征在于，所述的方法包括以下步骤：
2.根据权利要求1所述的基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法，其特征在于，所述的步骤(1)具体包括以下步骤：
3.根据权利要求2所述的基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法，其特征在于，所述的步骤(1.3)具体包括以下步骤：
4.根据权利要求1所述的基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法，其特征在于，所述的步骤(2)具体包括以下步骤：
5.根据权利要求4所述的基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法，其特征在于，所述的步骤(2.2)具体包括以下步骤：
6.根据权利要求1所述的基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法，其特征在于，所述的步骤(3)具体包括以下步骤：
7.根据权利要求1所述的基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法，其特征在于，所述的步骤(4)具体包括以下步骤：
8.根据权利要求7所述的基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法，其特征在于，所述的步骤(4.1)具体包括以下步骤：
9.一种用于实现基于smote算法和深度神经网络进行冷轧连续退火炉带钢跑偏预测处理的装置，其特征在于，所述的装置包括：
10.一种用于实现基于smote算法和深度神经网络进行冷轧连续退火炉带钢跑偏预测处理的处理器，其特征在于，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现权利要求1至8中任一项所述的基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法的各个步骤。
11.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现权利要求1至8中任一项所述的基于smote算法和深度神经网络实现冷轧连续退火炉带钢跑偏预测处理的方法的各个步骤。
