油品分子组成预测网络的生成方法、预测方法及装置与流程

1.本发明涉及石油加工技术领域，尤其涉及油品分子组成预测网络的生成方法、预测方法及装置。

背景技术：

2.分子管理在较早的时间被提出，随着计算机技术的愈发成熟，以软件预测模拟获取油品分子组成方便省力，已经成为了未来的发展趋势。
3.目前，在成品油的预测方面，由于油品分子组成种类繁琐复杂，通过十几种宏观物性推算数百种分子组成，必定需要一定数量的约束公式，但约束公式本身就存在着一定的误差，过多的约束公式会影响到最终的预测结果。以往的大部分预测方法，采用集总的方法，将数百种油品分子集总为几十种或一百多种分子集，从而减小了目标函数的解的数量，进而提高预测精度。然而，在现有的方案中是通过集总的办法将分子归类，而不曾预测油品的全分子组成。

技术实现要素：

4.本发明的目的在于提供油品分子组成预测网络的生成方法、预测方法及装置，用于预测油品的全分子组成。
5.为实现上述技术目的，本发明采取的技术方案为：
6.一种油品分子组成预测网络的生成方法，所述生成方法包括：
7.获取原始数据集；其中，所述原始数据集包含多组带标签的已知油品的宏观物性数据，所述已知油品的宏观物性数据的标签为所述已知油品的分子组成数据；
8.基于所述原始数据集，对预先构建的生成器进行训练，获得所述生成器的第一网络参数；
9.将随机生成的待测油品的宏观物性数据输入到具有所述第一网络参数的生成器，获得通过具有所述第一网络参数的生成器生成的所述待测油品的分子组成数据；
10.保持所述生成器的第一网络参数不变，基于所述原始数据集中已知油品的分子组成数据和所述生成器生成的待测油品的分子组成数据，对与所述生成器连接的预先构建的判别器进行训练，获得所述判别器的第二网络参数；
11.保持所述判别器的第二网络参数不变，基于所述原始数据集，对训练后的所述生成器和所述判别器进行联合训练，得到油品分子组成预测网络。
12.进一步地，所述基于所述原始数据集，对预先构建的生成器进行训练，包括：
13.从所述原始数据集中选取第一批带标签的已知油品的宏观物性数据，利用所述第一批带标签的已知油品的宏观物性数据，对预先构建的生成器进行有监督训练。
14.进一步地，所述基于所述原始数据集中已知油品的分子组成数据和所述生成器生成的待测油品的分子组成数据，对与所述生成器连接的预先构建的判别器进行训练，包括：
15.从所述原始数据集中选取一批已知油品的分子组成数据，并对选取的已知油品的
分子组成数据和所述生成器生成的多组待测油品的分子组成数据的类别进行标记；
16.基于标记后的所述已知油品的分子组成数据和所述待测油品的分子组成数据，对所述判别器进行有监督训练；
17.其中，在判别器训练时，生成器的第一网络参数保持不变，根据判别器输出的预测值与标签之间的误差调整判别器的第二网络参数，直至判别器能够判别输入该判别器的分子组成数据是来源于已知油品还是待测油品。
18.进一步地，所述基于所述原始数据集，对训练后的所述生成器和所述判别器进行联合训练，包括：
19.从所述原始数据集中选取第二批带标签的已知油品的宏观物性数据，利用所述第二批带标签的已知油品的宏观物性数据，对训练后的所述生成器和所述判别器进行联合训练。
20.进一步地，对训练后的所述生成器和所述判别器进行联合训练时，判别器的第二网络参数保持不变，根据生成器输出的分子组成数据与标签的误差以及判别器输出的预测值与标签之间的误差，调整生成器的第一网络参数；
21.所述联合训练的损失函数为交叉熵损失函数；
22.所述交叉熵损失函数的计算公式为：
[0023][0024]
其中，yi为一次训练中输入到所述生成器的已知油品中第i种分子的含量的真实值，为该次训练中所述生成器输出的第i种分子的含量的预测值，n为预定义的分子种类的数量。
[0025]
进一步地，所述生成方法还包括：对得到的所述油品分子组成预测网络进行迭代训练，包括重复如下训练步骤：
[0026]
基于所述原始数据集，对预先构建的生成器进行训练，获得所述生成器的第一网络参数；
[0027]
将随机生成的待测油品的宏观物性数据输入到具有所述第一网络参数的生成器，获得通过具有所述第一网络参数的生成器生成的所述待测油品的分子组成数据；
[0028]
保持所述生成器的第一网络参数不变，基于所述原始数据集中已知油品的分子组成数据和所述生成器生成的待测油品的分子组成数据，对与所述生成器连接的预先构建的判别器进行训练，获得所述判别器的第二网络参数；
[0029]
保持所述判别器的第二网络参数不变，基于所述原始数据集，对训练后的所述生成器和所述判别器进行联合训练，得到油品分子组成预测网络。
[0030]
进一步地，在得到所述油品分子组成预测网络之后，所述生成方法还包括：
[0031]
从所述原始数据集中选取第三批带标签的已知油品的宏观物性数据；
[0032]
对于所述第三批带标签的已知油品的宏观物性数据中的任一组，将该组宏观物性数据输入到所述油品分子组成预测网络，获得通过所述油品分子组成预测网络生成的所述已知油品的分子组成数据；其中，生成的所述已知油品的分子组成数据包括所述已知油品的分子种类和每种分子对应的预测含量；
[0033]
将所述已知油品中的各种分子按预测含量的高低进行排序，并计算所述已知油品
中的各种分子对应的预测含量与实际含量的绝对误差或相对误差；
[0034]
计算所述已知油品中的设定数量的预测含量高的分子对应的实际含量之和；
[0035]
若所述实际含量之和低于第一阈值时，则将所述设定数量加1，并返回到计算所述实际含量之和的步骤；
[0036]
若所述实际含量之和不低于第一阈值时，则确定此时的平均误差或平均相对误差；
[0037]
若所述平均误差或平均相对误差不超过第二阈值，则确定所述油品分子组成预测网络合格，否则不合格。
[0038]
本发明还提供了一种油品分子组成预测方法，所述方法包括：
[0039]
获取待测油品的宏观物性数据；
[0040]
将所述待测油品的宏观物性数据输入到预先训练的油品分子组成预测网络，所述油品分子组成预测网络根据上述油品分子组成预测网络的生成方法训练生成；
[0041]
获得通过所述油品分子组成预测网络生成的待测油品的分子组成数据。
[0042]
本发明还提供了一种油品分子组成预测网络的生成装置，所述装置包括：
[0043]
获取模块，被配置为获取原始数据集；其中，所述原始数据集包含多组带标签的已知油品的宏观物性数据，所述已知油品的宏观物性数据的标签为所述已知油品的分子组成数据；
[0044]
第一训练模块，被配置为基于所述原始数据集，对预先构建的生成器进行训练，获得所述生成器的第一网络参数；
[0045]
分子组成获取模块，被配置为将随机生成的待测油品的宏观物性数据输入到具有所述第一网络参数的生成器，获得通过具有所述第一网络参数的生成器生成的所述待测油品的分子组成数据；
[0046]
第二训练模块，被配置为保持所述生成器的第一网络参数不变，基于所述原始数据集中已知油品的分子组成数据和所述生成器生成的待测油品的分子组成数据，对与所述生成器连接的预先构建的判别器进行训练，获得所述判别器的第二网络参数；
[0047]
第三训练模块，被配置为保持所述判别器的第二网络参数不变，基于所述原始数据集，对训练后的所述生成器和所述判别器进行联合训练，得到所述油品分子组成预测网络。
[0048]
进一步地，所述第一训练模块被配置为：
[0049]
从所述原始数据集中选取第一批带标签的已知油品的宏观物性数据，利用所述第一批带标签的已知油品的宏观物性数据，对预先构建的生成器进行有监督训练。
[0050]
进一步地，所述第二训练模块被配置为：
[0051]
从所述原始数据集中选取一批已知油品的分子组成数据，并对选取的已知油品的分子组成数据和所述生成器生成的多组待测油品的分子组成数据的类别进行标记；
[0052]
基于标记后的所述已知油品的分子组成数据和所述待测油品的分子组成数据，对所述判别器进行有监督训练。
[0053]
进一步地，所述第三训练模块被配置为：
[0054]
从所述原始数据集中选取第二批带标签的已知油品的宏观物性数据，利用所述第二批带标签的已知油品的宏观物性数据，对训练后的所述生成器和所述判别器进行联合训
练。
[0055]
进一步地，对训练后的所述生成器和所述判别器进行联合训练时，所述联合训练的损失函数为交叉熵损失函数；
[0056]
所述交叉熵损失函数的计算公式为：
[0057][0058]
其中，yi为一次训练中输入到所述生成器的已知油品中第i种分子的含量的真实值，为该次训练中所述生成器输出的第i种分子的含量的预测值，n为预定义的分子种类的数量。
[0059]
进一步地，所述油品分子组成预测网络的生成装置还包括：测试模块；
[0060]
所述测试模块被配置为：
[0061]
从所述原始数据集中选取第三批带标签的已知油品的宏观物性数据；
[0062]
对于所述第三批带标签的已知油品的宏观物性数据中的任一组，将该组宏观物性数据输入到所述油品分子组成预测网络，获得通过所述油品分子组成预测网络生成的所述已知油品的分子组成数据；其中，生成的所述已知油品的分子组成数据包括所述已知油品的分子种类和每种分子对应的预测含量；
[0063]
将所述已知油品中的各种分子按预测含量的高低进行排序，并计算所述已知油品中的各种分子对应的预测含量与实际含量的绝对误差或相对误差；
[0064]
计算所述已知油品中的设定数量的预测含量高的分子对应的实际含量之和；
[0065]
若所述实际含量之和低于第一阈值时，则将所述设定数量加1，并返回到计算所述误差之和的步骤；
[0066]
若所述实际含量之和不低于第一阈值时，则确定此时的平均误差或平均相对误差；
[0067]
若所述平均误差或平均相对误差不超过第二阈值，则确定所述油品分子组成预测网络合格，否则不合格。
[0068]
本发明还提供了一种油品分子组成预测装置，所述装置包括：
[0069]
物性获取模块，被配置为获取待测油品的宏观物性数据；
[0070]
分子组成预测模块，被配置为将所述待测油品的宏观物性数据输入到预先训练的油品分子组成预测网络，所述油品分子组成预测网络根据上述生成方法训练生成；获得通过所述油品分子组成预测网络生成的待测油品的分子组成数据。
[0071]
本发明还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序用于执行上述油品分子组成预测网络的生成方法的步骤或油品分子组成预测方法的步骤。
[0072]
本发明还提供了一种电子设备，包括处理器及在处理器上运行的计算机程序，所述计算机程序用于执行上述油品分子组成预测网络的生成方法的步骤或油品分子组成预测方法的步骤。
[0073]
进一步地，还包括存储器，所述计算机程序存储在存储器上并在处理器上运行。
[0074]
与现有技术相比，本发明具有以下有益效果：本发明先基于原始数据集，对预先构建的生成器进行训练，获得所述生成器的第一网络参数，再将随机生成的待测油品的宏观
物性数据输入到具有所述第一网络参数的生成器，获得通过具有所述第一网络参数的生成器生成的所述待测油品的分子组成数据，然后保持所述生成器的第一网络参数不变，基于所述原始数据集中已知油品的分子组成数据，和所述生成器生成的待测油品的分子组成数据，对与所述生成器连接的预先构建的判别器进行训练，获得所述判别器的第二网络参数，之后保持所述判别器的第二网络参数不变，基于所述原始数据集，对训练后的所述生成器和所述判别器进行联合训练，得到油品分子组成预测网络；利用该油品分子组成预测网络进行预测，可以预测出油品的全分子组成；上述油品分子组成预测网络通过进一步迭代训练，得到的油品分子组成预测网络中的生成器就能够准确地生成分子组成数据。
附图说明
[0075]
图1为本发明实施例提供的油品分子组成预测网络的生成方法的流程示意图；
[0076]
图2为本发明实施例提供的生成器的结构示意图；
[0077]
图3为本发明实施例提供的油品分子组成预测网络的结构示意图；
[0078]
图4为本发明实施例提供的判别器的结构示意图；
[0079]
图5为本发明实施例提供的油品分子组成预测方法的流程示意图；
[0080]
图6为本发明实施例提供的油品分子组成预测网络的生成装置的第一种结构示意图；
[0081]
图7为本发明实施例提供的油品分子组成预测网络的生成装置的第二种结构示意图；
[0082]
图8为本发明实施例提供的油品分子组成预测装置的结构示意图；
[0083]
图9为本发明实施例提供的电子设备的第一结构示意图；
[0084]
图10为本发明实施例提供的电子设备的第二结构示意图。
[0085]
其中的附图标记为：获取模块11、第一训练模块12、分子组成获取模块13、第二训练模块14、第三训练模块15、测试模块16、物性获取模块21、分子组成预测模块22、第一存储器31、第一处理器32、第一内存33、第一网络接口34、第一内部总线35、第二存储器41、第二处理器42、第二内存43、第二网络接口44、第二内部总线45、生成器10、判别器20。
具体实施方式
[0086]
下面结合附图和实施例对本发明的技术方案作进一步详细的说明。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。以下实施例仅用于说明本发明而不用于限制本发明的范围。
[0087]
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0088]
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离
本发明范围的情况下，第一识别信息也可以被称为第二识别信息，类似地，第二识别信息也可以被称为第一识别信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
[0089]
本发明利用生成对抗网络(gan)的特性，构建了油品分子组成预测网络，以预测油品的全分子组成。
[0090]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
[0091]
参见图1，本发明实施例提供了一种油品分子组成预测网络的生成方法，该方法可以用于电子设备中，该电子设备可以为pc，油品分子组成预测设备等，该方法包括如下步骤：
[0092]
s101、获取原始数据集；
[0093]
原始数据集包含多组带标签的已知油品的宏观物性数据，所述已知油品的宏观物性数据的标签为所述已知油品的分子组成数据。原始数据集可以用于进行有监督训练。
[0094]
本发明实施例中，油品的宏观物性数据可以包括：密度、浊点、倾点、苯胺点、辛烷值、十六烷值、凝点、冷滤点、闪点、蒸汽压等物性数据，每一组宏观物性数据可以包括18种宏观物性的数据。
[0095]
油品的分子组成数据包括：油品的分子种类和每种分子对应的含量，每一组油品的分子组成数据，例如汽油，可以包括590种分子的数据。
[0096]
已知油品的宏观物性数据和分子组成数据可以来源于现有的油品检测报告。
[0097]
s102、基于所述原始数据集，对预先构建的生成器10进行训练，获得所述生成器10的第一网络参数；
[0098]
本实施例中，预先构建的生成器10用于根据输入的油品的宏观物性数据生成分子组成数据，并将分子组成数据输出给判别器20；该生成器10包括多个(例如5个)全连接神经网络层，每个全连接神经网络层后连接一个relu层(或称激活层)，生成器10的结构如图2所示。在一些实施例中，该生成器10中，从左到右的5个全连接神经网络层分别包含18个节点、64个节点、128个节点、256个节点和590个节点。
[0099]
在一些实施例中，单独训练生成器10时，步骤s102中基于所述原始数据集，对预先构建的生成器10进行训练，包括：
[0100]
从所述原始数据集中选取第一批(例如30组)带标签的已知油品的宏观物性数据，利用所述第一批带标签的已知油品的宏观物性数据，对预先构建的生成器10进行有监督训练。
[0101]
s103、将随机生成的待测油品的宏观物性数据输入到具有所述第一网络参数的生成器10，获得通过具有所述第一网络参数的生成器10生成的所述待测油品的分子组成数据；
[0102]
s104、保持所述生成器10的第一网络参数不变，基于所述原始数据集中已知油品的分子组成数据和所述生成器10生成的待测油品的分子组成数据，对与所述生成器10连接的预先构建的判别器20进行训练，获得所述判别器20的第二网络参数；
[0103]
本实施例中，参加图3，生成器10与判别器20连接，预先构建的判别器20用于判别输入该判别器20的分子组成数据是已知油品的还是待测油品的。该判别器20，与常规生成
对抗网络的判别器类似，例如可以包括多个(例如5个)全连接神经网络层、一个softmax函数分类器，前4个全连接神经网络层的每个全连接神经网络层后连接一个relu层(或称激活层)，softmax函数作为判别器20输出层的激活函数，连接在第5个全连接神经网络层后，判别器20的结构如图4所示。在一些实施例中，该判别器20中，从左到右的5个全连接神经网络层分别包含590个节点、256个节点、128个节点、64个节点和1个节点。由softmax函数分类器输出的分子组成数据的来源信息包括第一识别信息和第二识别信息，第一识别信息(例如0)表示输入该判别器20的分子组成数据是来自已知油品的，第二识别信息(例如1)表示输入该判别器20的分子组成数据是来自待测油品的。
[0104]
在一些实施例中，步骤s104中，基于所述原始数据集中已知油品的分子组成数据和所述生成器10生成的待测油品的分子组成数据，对与所述生成器10连接的预先构建的判别器20进行训练，包括：
[0105]
从所述原始数据集中选取一批(例如15组)已知油品的分子组成数据，并对选取的已知油品的分子组成数据和所述生成器10生成的多组(例如15组)待测油品的分子组成数据的类别进行标记(例如已知油品的分子组成数据标记为0，待测油品的分子组成数据标记为1)；
[0106]
基于标记后的所述已知油品的分子组成数据和所述待测油品的分子组成数据，对所述判别器20进行有监督训练。
[0107]
上述步骤s104中，在判别器20训练时，生成器10的第一网络参数保持不变，根据判别器20输出的预测值与标签之间的误差调整判别器20的第二网络参数，使得判别器20在接收到某一分子组成数据时能够输出接近0或接近1的数值，即能够较好地判别输入该判别器20的分子组成数据是已知油品的还是待测油品的。
[0108]
s105、保持所述判别器20的第二网络参数不变，基于所述原始数据集，对训练后的所述生成器10和所述判别器20进行联合训练，得到所述油品分子组成预测网络。
[0109]
在一些实施例中，步骤s105中基于所述原始数据集，对训练后的所述生成器10和所述判别器20进行联合训练，包括：
[0110]
从所述原始数据集中选取第二批(例如30组)带标签的已知油品的宏观物性数据，利用所述第二批带标签的已知油品的宏观物性数据，对训练后的所述生成器10和所述判别器20进行联合训练。
[0111]
该步骤s105中，联合训练时，判别器20的第二网络参数保持不变，根据生成器10输出的分子组成数据与标签的误差，以及判别器10输出的预测值与标签之间的误差，调整生成器10的第一网络参数，使得生成器10能够较准确的生成分子组成数据。当生成器10生成的分子组成数据足够准确后，判别器20就难以辨别输入到该判别器20的分子组成数据是来自从原始数据集中选取的已知油品的还是生成器10生成的待测油品的。
[0112]
步骤s105中对生成器10和判别器20进行联合训练时，所述联合训练的损失函数为交叉熵损失函数；
[0113]
所述交叉熵损失函数的计算公式为：
[0114][0115]
其中，yi为一次训练中输入到所述生成器10的已知油品中第i种分子的含量的真
实值，为该次训练中所述生成器10输出的第i种分子的含量的预测值，n为预定义的分子种类的数量(例如590种分子)。
[0116]
在一些实施例中，为了保证油品分子组成预测网络中的生成器10能够准确地生成分子组成数据，可以重复步骤s102-s105中的训练步骤，经过几轮迭代后，得到的油品分子组成预测网络中的生成器10就能够准确地生成分子组成数据。
[0117]
在一些实施例中，在得到所述油品分子组成预测网络之后，所述方法还包括：
[0118]
从所述原始数据集中选取第三批(例如30组)带标签的已知油品的宏观物性数据；
[0119]
对于所述第三批带标签的已知油品的宏观物性数据中的任一组，将该组宏观物性数据输入到所述油品分子组成预测网络，获得通过所述油品分子组成预测网络生成的所述已知油品的分子组成数据；其中，生成的所述已知油品的分子组成数据包括所述已知油品的分子种类和每种分子对应的预测含量；
[0120]
将所述已知油品中的各种分子按预测含量的高低进行排序，并计算所述已知油品中的各种分子对应的预测含量与实际含量的绝对误差或相对误差；
[0121]
计算所述已知油品中的设定数量的预测含量高的分子对应的实际含量之和；
[0122]
若所述实际含量之和低于第一阈值时，则将所述设定数量加1，并返回到计算所述实际含量之和的步骤；
[0123]
若所述实际含量之和不低于第一阈值时，则确定此时的平均误差或平均相对误差；
[0124]
若所述平均误差或平均相对误差不超过第二阈值，则确定所述油品分子组成预测网络合格，否则不合格。
[0125]
例如，选取23种预测含量高的分子，计算该23种分子对应的实际含量之和，在实际含量之和低于97％时，则将设定数量加1，返回到计算实际含量之和的步骤，在实际含量之和不低于97％时，确定此时的平均相对误差，若平均相对误差不超过6％，则确定训练的油品分子组成预测网络合格，若平均相对误差超过6％，则确定训练的油品分子组成预测网络不合格。
[0126]
下面以汽油为例，介绍采用本发明实施例提供的油品分子组成预测网络的生成方法构建的油品分子组成预测网络的测试结果。
[0127]
从所述原始数据集中选取多组带标签的汽油的宏观物性数据，作为测试集，对于测试集中的任一组汽油的宏观物性数据(包括辛烷值、蒸汽压等18种宏观物性数据)，将该组宏观物性数据输入到油品分子组成预测网络，获得通过油品分子组成预测网络生成的该汽油的分子组成数据(包括590种分子的数据)，如表1所示，生成器10生成的分子组成数据包括汽油的分子种类和每种分子对应的预测含量，将该汽油中的各种分子按预测含量的递减形式进行排序，并计算该汽油中的各种分子对应的预测含量与实际含量的相对误差。
[0128]
表1生成器10生成的分子组成数据及其与实际含量的相对误差
[0129][0130]
从表1中可看出，1,2,3,5-四甲基苯的含量的相对误差最大，该最大相对误差为9.88％，选取23种预测含量高的分子，计算该23种分子对应的实际含量之和为97.864％，大于第一阈值97％，此时的平均相对误差为4.64％，小于第二阈值6％，因此可以确定训练的油品分子组成预测网络合格，也就是说，此油品分子组成预测网络所预测结果与实际结果基本一致，可以认为较好地反应了汽油的分子组成以及每种分子对应的含量。
[0131]
基于同一发明构思，参见图5，本发明实施例还提供了一种油品分子组成预测方法，该方法可以用于电子设备中，该电子设备可以为pc，油品分子组成预测设备等，该方法包括如下步骤：
[0132]
s201、获取待测油品的宏观物性数据；
[0133]
s202、将所述待测油品的宏观物性数据输入到预先训练的油品分子组成预测网络；
[0134]
其中，油品分子组成预测网络是根据本发明任意可能的实现方式中的油品分子组成预测网络的生成方法训练生成的。
[0135]
s203、获得通过所述油品分子组成预测网络生成的待测油品的分子组成数据。
[0136]
本发明实施例中，训练后得到的油品分子组成预测网络中，判别器20难以辨别输入到该判别器20的分子组成数据是来自从原始数据集中选取的已知油品还是生成器10生成的待测油品，这使得生成器10能够较准确地生成分子组成数据。
[0137]
需要说明的是，本发明实施例提供的油品分子组成预测网络可以用于预测汽油的分子组成，也可以用于预测重质油等油品的分子组成。
[0138]
基于同一发明构思，参见图6，本发明实施例还提供了一种油品分子组成预测网络的生成装置，该装置包括：获取模块11、第一训练模块12、分子组成获取模块13、第二训练模块14和第三训练模块15。
[0139]
获取模块11，被配置为获取原始数据集；其中，所述原始数据集包含多组带标签的已知油品的宏观物性数据，所述已知油品的宏观物性数据的标签为所述已知油品的分子组成数据；
[0140]
第一训练模块12，被配置为基于所述原始数据集，对预先构建的生成器10进行训练，获得所述生成器10的第一网络参数；
[0141]
所述预先构建的生成器10用于输入的油品的宏观物性数据生成分子组成数据，并将分子组成数据输出给判别器20；所述生成器10包括多个全连接神经网络层，每个全连接神经网络层后连接一个激活层。
[0142]
分子组成获取模块13，被配置为将随机生成的待测油品的宏观物性数据输入到具有所述第一网络参数的生成器10，获得通过具有所述第一网络参数的生成器10生成的所述待测油品的分子组成数据；
[0143]
第二训练模块14，被配置为保持所述生成器10的第一网络参数不变，基于所述原始数据集中已知油品的分子组成数据和所述生成器10生成的待测油品的分子组成数据，对与所述生成器10连接的预先构建的判别器20进行训练，获得所述判别器20的第二网络参数；
[0144]
所述预先构建的判别器20用于判别输入该判别器20的分子组成数据是已知油品的还是待测油品的；所述判别器20，与常规生成对抗网络的判别器类似，可以包括n个全连接神经网络层、n-1个激活层和1个softmax函数分类器，前n-1个全连接神经网络层的每个全连接神经网络层后连接1个激活层，softmax函数作为判别器20输出层的激活函数，连接在第n个全连接神经网络层后。
[0145]
第三训练模块15，被配置为保持所述判别器20的第二网络参数不变，基于所述原始数据集，对训练后的所述生成器10和所述判别器20进行联合训练，得到所述油品分子组成预测网络。
[0146]
在一些实施例中，第一训练模块12被配置为：
[0147]
从所述原始数据集中选取第一批带标签的已知油品的宏观物性数据，利用所述第一批带标签的已知油品的宏观物性数据，对预先构建的生成器10进行有监督训练。
[0148]
在一些实施例中，第二训练模块14被配置为：
[0149]
从所述原始数据集中选取一批已知油品的分子组成数据，并对选取的已知油品的分子组成数据和所述生成器10生成的多组待测油品的分子组成数据的类别进行标记；
[0150]
基于标记后的所述已知油品的分子组成数据和所述待测油品的分子组成数据，对
所述判别器20进行有监督训练。
[0151]
在一些实施例中，第三训练模块15被配置为：
[0152]
从所述原始数据集中选取第二批带标签的已知油品的宏观物性数据，利用所述第二批带标签的已知油品的宏观物性数据，对训练后的所述生成器10和所述判别器20进行联合训练。
[0153]
在一些实施例中，对训练后的所述生成器10和所述判别器20进行联合训练时，所述联合训练的损失函数为交叉熵损失函数；
[0154]
所述交叉熵损失函数的计算公式为：
[0155][0156]
其中，yi为一次训练中输入到所述生成器10的已知油品中第i种分子的含量的真实值，为该次训练中所述生成器10输出的第i种分子的含量的预测值，n为预定义的分子种类的数量。
[0157]
在一些实施例中，如图7所示，上述油品分子组成预测网络的生成装置还包括：测试模块16。
[0158]
测试模块16被配置为：
[0159]
从所述原始数据集中选取第三批带标签的已知油品的宏观物性数据；
[0160]
对于所述第三批带标签的已知油品的宏观物性数据中的任一组，将该组宏观物性数据输入到所述油品分子组成预测网络，获得通过所述油品分子组成预测网络生成的所述已知油品的分子组成数据；其中，生成的所述已知油品的分子组成数据包括所述已知油品的分子种类和每种分子对应的预测含量；
[0161]
将所述已知油品中的各种分子按预测含量的高低进行排序，并计算所述已知油品中的各种分子对应的预测含量与实际含量的绝对误差或相对误差；
[0162]
计算所述已知油品中的设定数量的预测含量高的分子对应的所述实际含量之和；
[0163]
若所述实际含量之和低于第一阈值(例如相对误差之和＜97％)时，则将所述设定数量加1，并返回到计算所述实际含量之和的步骤；
[0164]
若所述实际含量之和不低于第一阈值时，则确定此时的平均误差或平均相对误差；
[0165]
若所述平均误差或平均相对误差不超过第二阈值(例如平均相对误差≤6％)，则确定所述油品分子组成预测网络合格，否则不合格。
[0166]
基于同一发明构思，参见图8，本发明实施例还提供了一种油品分子组成预测装置，该油品分子组成预测装置包括：
[0167]
物性获取模块21，被配置为获取待测油品的宏观物性数据；
[0168]
分子组成预测模块22，被配置为将所述待测油品的宏观物性数据输入到预先训练的油品分子组成预测网络，获得通过所述油品分子组成预测网络生成的待测油品的分子组成数据。
[0169]
其中，油品分子组成预测网络是根据本发明任意可能的实现方式中的油品分子组成预测网络的生成方法训练生成的。
[0170]
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的
实现过程，在此不再赘述。
[0171]
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0172]
基于同一发明构思，本发明实施例还提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任意可能的实现方式中的油品分子组成预测网络的生成方法的步骤。
[0173]
可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0174]
基于同一发明构思，本发明实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任意可能的实现方式中的油品分子组成预测网络的生成方法的步骤。
[0175]
基于同一发明构思，参见图9，本发明实施例还提供了一种电子设备，包括第一存储器31(例如非易失性存储器)、第一处理器32及存储在第一存储器31上并可在第一处理器32上运行的计算机程序，第一处理器32执行所述计算机程序时实现上述任意可能的实现方式中的油品分子组成预测网络的生成方法的步骤。该电子设备例如可以为pc、油品分子组成预测设备。
[0176]
如图9所示，该电子设备一般还可以包括：第一内存33、第一网络接口34、以及第一内部总线35；其中，第一存储器31、第一处理器32、第一内存33、第一网络接口34通过第一内部总线35完成相互间的通信。除了这些部件外，还可以包括其他硬件，对此不再赘述。
[0177]
需要指出的是，上述油品分子组成预测网络的生成装置可以通过软件实现，其作为一个逻辑意义上的装置，是通过其所在的电子设备的第一处理器32将非易失性存储器中存储的计算机程序指令读取到第一内存33中运行形成的。
[0178]
基于同一发明构思，本发明实施例还提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任意可能的实现方式中的油品分子组成预测方法的步骤。
[0179]
基于同一发明构思，本发明实施例还提供了一种计算机程序产品，包括计算机程序，所述程序被处理器执行时实现上述任意可能的实现方式中的油品分子组成预测方法的步骤。
[0180]
基于同一发明构思，参见图10，本发明实施例还提供了另外一种电子设备，包括第二存储器41(例如非易失性存储器)、第二处理器42及存储在第二存储器41上并可在第二处理器42上运行的计算机程序，第二处理器42执行所述程序时实现上述任意可能的实现方式中的油品分子组成预测方法的步骤。该电子设备例如可以为pc、油品分子组成预测设备。
[0181]
如图10所示，该电子设备一般还可以包括：第二内存43、第二网络接口44、以及第二内部总线45；其中，第二存储器41、第二处理器42、第二内存43、第二网络接口44通过第二
内部总线45完成相互间的通信。除了这些部件外，还可以包括其他硬件，对此不再赘述。
[0182]
需要指出的是，上述油品分子组成预测装置可以通过软件实现，其作为一个逻辑意义上的装置，是通过其所在的电子设备的第二处理器42将非易失性存储器中存储的计算机程序指令读取到第二内存43中运行形成的。
[0183]
需要说明的是，上述的油品分子组成预测网络的生成方法与油品分子组成预测方法可以在同一个电子设备中执行，例如油品分子组成预测网络的训练和油品分子组成预测都可在油品分子组成预测设备中执行，当然两者也可以在不同的电子设备中执行，比如在一个电子设备中训练油品分子组成预测网络，而在另一个电子设备中进行分子组成预测时可以利用该已训练的油品分子组成预测网络。
[0184]
本说明书中描述的主题及功能操作的实施例可以在以下中实现：数字电子电路、有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序，即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电、光或电磁信号，该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。
[0185]
本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行，以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如fpga(现场可编程门阵列)或asic(专用集成电路)来执行，并且装置也可以实现为专用逻辑电路。
[0186]
适合用于执行计算机程序的计算机包括，例如通用和/或专用微处理器，或任何其他类型的中央处理单元。通常，中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备，例如磁盘、磁光盘或光盘等，或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据，抑或两种情况兼而有之。然而，计算机不是必须具有这样的设备。此外，计算机可以嵌入在另一设备中，例如移动电话、个人数字助理(pda)、移动音频或视频播放器、游戏操纵台、全球定位系统(gps)接收机、或例如通用串行总线(usb)闪存驱动器的便携式存储设备，仅举几例。
[0187]
适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备(例如eprom、eeprom和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及cd rom和dvd-rom盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
[0188]
虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此
外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
[0189]
类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
[0190]
由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。
[0191]
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

技术特征：

1.一种油品分子组成预测网络的生成方法，其特征在于，所述生成方法包括：获取原始数据集；其中，所述原始数据集包含多组带标签的已知油品的宏观物性数据，所述已知油品的宏观物性数据的标签为所述已知油品的分子组成数据；基于所述原始数据集，对预先构建的生成器(10)进行训练，获得所述生成器(10)的第一网络参数；将随机生成的待测油品的宏观物性数据输入到具有所述第一网络参数的生成器(10)，获得通过具有所述第一网络参数的生成器(10)生成的所述待测油品的分子组成数据；保持所述生成器(10)的第一网络参数不变，基于所述原始数据集中已知油品的分子组成数据和所述生成器(10)生成的待测油品的分子组成数据，对与所述生成器(10)连接的预先构建的判别器(20)进行训练，获得所述判别器(20)的第二网络参数；保持所述判别器(20)的第二网络参数不变，基于所述原始数据集，对训练后的所述生成器(10)和所述判别器(20)进行联合训练，得到油品分子组成预测网络。2.根据权利要求1所述的油品分子组成预测网络的生成方法，其特征在于：所述基于所述原始数据集，对预先构建的生成器(10)进行训练，包括：从所述原始数据集中选取第一批带标签的已知油品的宏观物性数据，利用所述第一批带标签的已知油品的宏观物性数据，对预先构建的生成器(10)进行有监督训练。3.根据权利要求1所述的油品分子组成预测网络的生成方法，其特征在于：所述基于所述原始数据集中已知油品的分子组成数据和所述生成器(10)生成的待测油品的分子组成数据，对与所述生成器(10)连接的预先构建的判别器(20)进行训练，包括：从所述原始数据集中选取一批已知油品的分子组成数据，并对选取的已知油品的分子组成数据和所述生成器(10)生成的多组待测油品的分子组成数据的类别进行标记；基于标记后的所述已知油品的分子组成数据和所述待测油品的分子组成数据，对所述判别器(20)进行有监督训练；其中，在判别器(20)训练时，生成器(10)的第一网络参数保持不变，根据判别器(20)输出的预测值与标签之间的误差调整判别器(20)的第二网络参数，直至判别器(20)能够判别输入该判别器(20)的分子组成数据是来源于已知油品还是待测油品。4.根据权利要求1所述的油品分子组成预测网络的生成方法，其特征在于：所述基于所述原始数据集，对训练后的所述生成器(10)和所述判别器(20)进行联合训练，包括：从所述原始数据集中选取第二批带标签的已知油品的宏观物性数据，利用所述第二批带标签的已知油品的宏观物性数据，对训练后的所述生成器(10)和所述判别器(20)进行联合训练。5.根据权利要求4所述的油品分子组成预测网络的生成方法，其特征在于：对训练后的所述生成器(10)和所述判别器(20)进行联合训练时，判别器(20)的第二网络参数保持不变，根据生成器(10)输出的分子组成数据与标签的误差以及判别器(20)输出的预测值与标签之间的误差，调整生成器(10)的第一网络参数；所述联合训练的损失函数为交叉熵损失函数；所述交叉熵损失函数的计算公式为：
其中，y
i
为一次训练中输入到所述生成器(10)的已知油品中第i种分子的含量的真实值，为该次训练中所述生成器(10)输出的第i种分子的含量的预测值，n为预定义的分子种类的数量。6.根据权利要求1所述的油品分子组成预测网络的生成方法，其特征在于：所述生成方法还包括：对得到的所述油品分子组成预测网络进行迭代训练，包括重复如下训练步骤：基于所述原始数据集，对预先构建的生成器(10)进行训练，获得所述生成器(10)的第一网络参数；将随机生成的待测油品的宏观物性数据输入到具有所述第一网络参数的生成器(10)，获得通过具有所述第一网络参数的生成器(10)生成的所述待测油品的分子组成数据；保持所述生成器(10)的第一网络参数不变，基于所述原始数据集中已知油品的分子组成数据和所述生成器(10)生成的待测油品的分子组成数据，对与所述生成器(10)连接的预先构建的判别器(20)进行训练，获得所述判别器(20)的第二网络参数；保持所述判别器(20)的第二网络参数不变，基于所述原始数据集，对训练后的所述生成器(10)和所述判别器(20)进行联合训练，得到油品分子组成预测网络。7.根据权利要求1所述的油品分子组成预测网络的生成方法，其特征在于：在得到所述油品分子组成预测网络之后，所述生成方法还包括：从所述原始数据集中选取第三批带标签的已知油品的宏观物性数据；对于所述第三批带标签的已知油品的宏观物性数据中的任一组，将该组宏观物性数据输入到所述油品分子组成预测网络，获得通过所述油品分子组成预测网络生成的所述已知油品的分子组成数据；其中，生成的所述已知油品的分子组成数据包括所述已知油品的分子种类和每种分子对应的预测含量；将所述已知油品中的各种分子按预测含量的高低进行排序，并计算所述已知油品中的各种分子对应的预测含量与实际含量的绝对误差或相对误差；计算所述已知油品中的设定数量的预测含量高的分子对应的实际含量之和；若所述实际含量之和低于第一阈值时，则将所述设定数量加1，并返回到计算所述实际含量之和的步骤；若所述实际含量之和不低于第一阈值时，则确定此时的平均误差或平均相对误差；若所述平均误差或平均相对误差不超过第二阈值，则确定所述油品分子组成预测网络合格，否则不合格。8.一种油品分子组成预测方法，其特征在于，所述方法包括：获取待测油品的宏观物性数据；将所述待测油品的宏观物性数据输入到预先训练的油品分子组成预测网络，所述油品分子组成预测网络根据权利要求1-7任一项所述的油品分子组成预测网络的生成方法训练生成；获得通过所述油品分子组成预测网络生成的待测油品的分子组成数据。9.一种油品分子组成预测网络的生成装置，其特征在于，所述装置包括：获取模块(11)，被配置为获取原始数据集；其中，所述原始数据集包含多组带标签的已知油品的宏观物性数据，所述已知油品的宏观物性数据的标签为所述已知油品的分子组成数据；
第一训练模块(12)，被配置为基于所述原始数据集，对预先构建的生成器(10)进行训练，获得所述生成器(10)的第一网络参数；分子组成获取模块(13)，被配置为将随机生成的待测油品的宏观物性数据输入到具有所述第一网络参数的生成器(10)，获得通过具有所述第一网络参数的生成器(10)生成的所述待测油品的分子组成数据；第二训练模块(14)，被配置为保持所述生成器(10)的第一网络参数不变，基于所述原始数据集中已知油品的分子组成数据和所述生成器(10)生成的待测油品的分子组成数据，对与所述生成器(10)连接的预先构建的判别器(20)进行训练，获得所述判别器(20)的第二网络参数；第三训练模块(15)，被配置为保持所述判别器(20)的第二网络参数不变，基于所述原始数据集，对训练后的所述生成器(10)和所述判别器(20)进行联合训练，得到所述分子组成预测网络。10.根据权利要求9所述的油品分子组成预测网络的生成装置，其特征在于：所述第一训练模块(12)被配置为：从所述原始数据集中选取第一批带标签的已知油品的宏观物性数据，利用所述第一批带标签的已知油品的宏观物性数据，对预先构建的生成器(10)进行有监督训练。11.根据权利要求9所述的油品分子组成预测网络的生成装置，其特征在于：所述第二训练模块(14)被配置为：从所述原始数据集中选取一批已知油品的分子组成数据，并对选取的已知油品的分子组成数据和所述生成器(10)生成的多组待测油品的分子组成数据的类别进行标记；基于标记后的所述已知油品的分子组成数据和所述待测油品的分子组成数据，对所述判别器(20)进行有监督训练。12.根据权利要求9所述的油品分子组成预测网络的生成装置，其特征在于：所述第三训练模块(15)被配置为：从所述原始数据集中选取第二批带标签的已知油品的宏观物性数据，利用所述第二批带标签的已知油品的宏观物性数据，对训练后的所述生成器(10)和所述判别器(20)进行联合训练。13.根据权利要求12所述的油品分子组成预测网络的生成装置，其特征在于：对训练后的所述生成器(10)和所述判别器(20)进行联合训练时，所述联合训练的损失函数为交叉熵损失函数；所述交叉熵损失函数的计算公式为：其中，y
i
为一次训练中输入到所述生成器(10)的已知油品中第i种分子的含量的真实值，为该次训练中所述生成器(10)输出的第i种分子的含量的预测值，n为预定义的分子种类的数量。14.根据权利要求9-13任一项所述的油品分子组成预测网络的生成装置，其特征在于：所述油品分子组成预测网络的生成装置还包括：测试模块(16)；所述测试模块(16)被配置为：
从所述原始数据集中选取第三批带标签的已知油品的宏观物性数据；对于所述第三批带标签的已知油品的宏观物性数据中的任一组，将该组宏观物性数据输入到所述油品分子组成预测网络，获得通过所述油品分子组成预测网络生成的所述已知油品的分子组成数据；其中，生成的所述已知油品的分子组成数据包括所述已知油品的分子种类和每种分子对应的预测含量；将所述已知油品中的各种分子按预测含量的高低进行排序，并计算所述已知油品中的各种分子对应的预测含量与实际含量的绝对误差或相对误差；计算所述已知油品中的设定数量的预测含量高的分子对应的实际含量之和；若所述实际含量之和低于第一阈值时，则将所述设定数量加1，并返回到计算所述实际含量之和的步骤；若所述实际含量之和不低于第一阈值时，则确定此时的平均误差或平均相对误差；若所述平均误差或平均相对误差不超过第二阈值，则确定所述油品分子组成预测网络合格，否则不合格。15.一种油品分子组成预测装置，其特征在于，所述装置包括：物性获取模块(21)，被配置为获取待测油品的宏观物性数据；分子组成预测模块(22)，被配置为将所述待测油品的宏观物性数据输入到预先训练的油品分子组成预测网络，所述油品分子组成预测网络根据权利要求1-7任一项所述油品分子组成预测网络的生成方法训练生成；获得通过所述油品分子组成预测网络生成的待测油品的分子组成数据。16.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序用于执行权利要求1-7任一项所述油品分子组成预测网络的生成方法的步骤或权利要求8所述油品分子组成预测方法的步骤。17.一种电子设备，其特征在于，包括处理器及在处理器上运行的计算机程序，所述计算机程序用于执行权利要求1-7任一项所述油品分子组成预测网络的生成方法的步骤或权利要求8所述油品分子组成预测方法的步骤。18.根据权利要求17所述的电子设备，其特征在于：还包括存储器，所述计算机程序存储在存储器上并在处理器上运行。

技术总结

本发明公开了油品分子组成预测网络的生成方法、预测方法及装置，油品分子组成预测网络的生成方法包括：获取原始数据集；基于原始数据集，对预先构建的生成器进行训练，获得生成器的第一网络参数；将随机生成的待测油品的宏观物性数据输入到生成器，获得通过生成器生成的待测油品的分子组成数据；保持生成器的第一网络参数不变，基于原始数据集中已知油品的分子组成数据和生成器生成的待测油品的分子组成数据，对与生成器连接的预先构建的判别器进行训练，获得判别器的第二网络参数；保持判别器的第二网络参数不变，基于原始数据集，对训练后的生成器和判别器进行联合训练，得到油品分子组成预测网络，该预测网络可以预测出油品的全分子组成。品的全分子组成。品的全分子组成。