PLSaoNET：告别随机初始化，让工业网络训练有“路”可循

工业传感是流程工业智能制造的核心技术。近年来，利用人工神经网络（ANN）提升工业传感精度成为研究热点。然而，面对小样本、高噪声、强非线性的工业现场数据，随机初始化的神经网络表现出的泛化性能较差，难以在实际工业场景中部署。为解决这一问题，中国科学院沈阳自动化研究所孙兰香研究员团队在《Engineering》发表了一篇研究论文，提出了一种基于偏最小二乘（PLS）辅助优化的神经网络PLSaoNET。该模型解决了神经网络中的随机初始化问题，并为网络训练提供了明确的路径。

PLSaoNET包含以下两大核心创新：

1. 基于PLS的初始化机制：PLS是一种经典的统计方法，求解路径明确、可解释性强，但只能拟合线性关系。研究团队将PLS的解作为神经网络的初始值：用PLS的潜变量个数确定隐藏层神经元数量，用PLS的权重矩阵初始化隐藏层，这一操作赋予了神经网络一个具有明确统计意义的起点。后续训练不再是盲目搜索，而是对PLS结果的再优化，在保持可解释性的同时引入非线性建模能力。

2. 基于分层抽样的训练策略：工业现场样本标签常分布不均，导致基于小批量梯度下降训练网络时损失函数剧烈震荡。研究团队设计了一种分层抽样方法，将训练样本按标签值大小划分为多个层，在每次小批量训练中从各层等比例抽取样本。这一操作有效平滑了梯度更新，增强了模型对不均匀分布样本的鲁棒性，进一步提升了模型训练的稳定性。

通讯作者孙兰香研究员表示：“工业现场的标注数据来之不易，我们需要的不是一味追求复杂的网络结构，而是让模型在有限数据下也能输出稳定、可靠的结果。PLSaoNET的设计初衷，就是让统计机理为数据驱动提供一个可靠的出发点。”

研究团队在两个典型工业场景中对所提方法进行了严格验证：基于激光诱导击穿光谱（LIBS）技术的铁精矿浆品位在线监测，以及基于近红外光谱（NIR）的柴油品质评估。结果显示，与PLS回归模型和基于Xavier初始化的反向传播神经网络（BPNN）模型相比，PLSaoNET展现出最优的建模精度和泛化性能。

值得关注的是，研究团队通过可视化LIBS光谱–铁品位模型的隐藏层权重，揭示了PLSaoNET“可靠”的本质：

• PLS模型尽管精度不足，但提取的主导潜变量明确聚焦于Si、Mg、Fe等矿物元素的特征发射谱线，具有清晰的物理对应；
• 随机初始化BPNN中，隐藏层神经元的权重几乎无法区分背景噪声与有效光谱信号，特征提取过程为不可解释的数据组合结果；
• PLSaoNET则在继承PLS对关键谱线高关注度的同时，通过再训练适度增强了Ca、Al等辅助信息的学习，从根本上抑制了过拟合。

PLSaoNET已部署于某选矿厂的LIBS矿浆成分分析仪中，用于铁精矿品位的在线实时监测。作为一种通用网络建模方法，PLSaoNET能够有效降低人工神经网络在工业领域的应用门槛，并为复杂工业场景下的智能感知提供技术支撑。

---

---