【IEEESensorsJournal】KSLDTNet:工业过程多步预测的关键样本定位和蒸馏Transformer网络
在本研究中，提出了一种新的基于KSLD TNet的轻量级深度学习模型，该模型可以有效地简化特征提取，增强对数据集中关键样本信息的提取。通过对关键样本的定位和提取，设计了一种基于传统Transformer网络的创新预测框架，从图书搜索的角度提高了工业过程的多步预测精度。两个真实的工业数据集证明了所提出的预测框架的优越性能。与最先进的方法相比，所提出的方法在多步预测精度和模型计算效率方面具有优势。由于该方法的样本简化机制可以减少模型计算量，因此更适合于工业大数据环境。在未来的研究中，我们将考虑如何使用本地化的关键样本进行扩充，以在小样本数据的背景下提高模型性能。
