其中f(x)代表编码函数，g(x)表示解码函数，N表示样本数据数量，LOSSMSE表示均方误差 损 分类模型采用交叉熵损失函数(CEL),分类模型的任务是最小化带标签数据分类输出和分类 标签的交叉熵函数： Losa=-∑y.ml1og0ya）-∑（l-y)logl-ya) (9) 其中，y表示分类模型输出，ya表示数据标签，N表示样本数据数量，LOSSCEL表示交 叉熵损失。 模型的总损失函数LosS=LOSSMSE+LOSSCEL,通过反向模型的不断训练，最小化损失函数 得到最终训练好的模型。 3实验过程 通过国内某钢厂的采集的带钢的粗轧出口温度数据作为实验数据进行 乳出口温度数据 为模型输入。 3.1不同位置加入噪声对模型的影响 输入层和编码层加入的噪声是模型的重要部分，现通过实验对加X噪声对模型的影响进行测试。 对比不同位置加入噪声对模型的影响，以是否加入噪声作为标谁、对网络输入层和编码层加入 均值为0，方差为1的噪声测试模型在不同标签占比下的准确率，测试结果如表1所示： 表1不同位置添加噪音的精度结果 Table 1 Accuracy results of adding noise atdifferent layers Experiment condition 1% 2% 5% 10% 33% 50% Input layer no noise 73.25% 78.80% 79200% 86.00% 8920% 91.20% Encode layer no noise Input layer add noise 73.50% 80.00% 82.20% 88.60% 90.20% 92.00% Encode layer no noise Input layer no noise 67.50% 79.80% 80.40% 81.20% 87.20% 90.60% 91.60% Encode layer add noise Input layer add noise 75.75% 83.80% 83.20% 89.40% 91.60% 93.80% Encode layer add noise 从表二可得， 相比于其他 咖噪声的方法，在输入层和编码层同时加入噪声能够得到较高的模 型准确率。 3.2不同噪声对模型的影响 为验证不同的输入噪声对模型的影响，以输入噪声的均值和方差作为参数，对模型的输入层和 编码层分别进行测试， 对比不同噪声在不同标签占比下的模型准确率。实验过程如表2所示： 表2噪声实验流程 Table 2 Noise experiment process Experiment Input layer Input layer Encode layer Encode layer number mean variance mean variance (a) change 1 0 (b) 0 change 0 (c) 0 change 1 (d) 0 0 change 实验结果如图7所示：其中 f x( ) 代表编码函数， g x( ) 表示解码函数， N 表示样本数据数量， LossMSE 表示均方误差 损失。 分类模型采用交叉熵损失函数（CEL），分类模型的任务是最小化带标签数据分类输出和分类 标签的交叉熵函数： 1 1 log( ) (1 )log(1 ) N N CEL output hat output hat i i Loss y y y y          (9) 其中， output y 表示分类模型输出， hat y 表示数据标签， N 表示样本数据数量， LossCEL 表示交 叉熵损失。 模型的总损失函数 Loss Loss Loss Total MSE CEL   ，通过反向模型的不断训练，最小化损失函数 得到最终训练好的模型。 3 实验过程 通过国内某钢厂的采集的带钢的粗轧出口温度数据作为实验数据进行实验，粗轧出口温度数据 为模型输入。 3.1 不同位置加入噪声对模型的影响 输入层和编码层加入的噪声是模型的重要部分，现通过实验对加入噪声对模型的影响进行测试。 对比不同位置加入噪声对模型的影响，以是否加入噪声作为标准，对网络输入层和编码层加入 均值为 0，方差为 1 的噪声测试模型在不同标签占比下的准确率，测试结果如表 1 所示： 表 1 不同位置添加噪音的精度结果 Table 1 Accuracy results of adding noise at different layers Experiment condition 1 % 2 % 5 % 6 % 10 % 33 % 50 % Input layer no noise Encode layer no noise 73.25 % 78.80 % 79.20 % 80.40 % 86.00 % 89.20 % 91.20 % Input layer add noise Encode layer no noise 73.50 % 80.00 % 82.00 % 82.20 % 88.60 % 90.20 % 92.00 % Input layer no noise Encode layer add noise 67.50 % 79.80 % 80.40 % 81.20 % 87.20 % 90.60 % 91.60 % Input layer add noise Encode layer add noise 75.75 % 81.20 % 83.80 % 83.20 % 89.40 % 91.60 % 93.80 % 从表二可得，相比于其他添加噪声的方法，在输入层和编码层同时加入噪声能够得到较高的模 型准确率。 3.2 不同噪声对模型的影响 为验证不同的输入噪声对模型的影响，以输入噪声的均值和方差作为参数，对模型的输入层和 编码层分别进行测试，对比不同噪声在不同标签占比下的模型准确率。实验过程如表 2 所示： 表 2 噪声实验流程 Table 2 Noise experiment process Experiment number Input layer mean Input layer variance Encode layer mean Encode layer variance (a) change 1 0 1 (b) 0 change 0 1 (c) 0 1 change 1 (d) 0 1 0 change 实验结果如图 7 所示： 录用稿件，非最终出版稿