摘要：随着计算机运算能力的提升，数据驱动技术被广泛应用于冶金工业过程中。基于该技术的轧制力预报有助于缩短带材的头尾长度，提高成材率。为了解决数据驱动模型在预训练过程中因特征提取盲目导致预测精度较低的问题，提出了一种基于半监督堆叠自编码器（SS-SAE）的深度分层监督预处理框架，用于轧制力预报建模研究。在SS-SAE中，依次训练多个半监督自编码器（SS-AE），分级提取目标相关特征。每个SS-AE将来自前一隐藏层的特征作为新的输入，以生成高阶特征。通过堆叠多个SS-AE的方式，可逐步学习深层目标相关特征，同时深度网络结构将逐步减少不相关信息。仿真结果表明，该模型预测精度可控制在2%以内，实现了轧制力的高精度预测。

      关键词：深度学习；特征提取；自编码器；轧制力预报

      中图分类号：TG335.13     文献标识码：A