近年來,隨著工業(yè)生產過程的復雜性不斷增加,規(guī)模日益擴大,控制變量的種類和數(shù)目越來越多,對于變量的預測控制有了新的要求。在早期的傳統(tǒng)工業(yè)中,點預測方法是對關鍵變量進行預測的主要方法。然而,由于實際情況不同,以及具體生產流程中相關變量的變化往往存在不確定性,單純使用點預測方法進行預測已經不能滿足實際工業(yè)需。與此同時,在實際的生產過程中,與數(shù)據(jù)點預測進行比較,對未來某個階段數(shù)據(jù)的變化范圍進行預測對于指導實踐更有意義。因此,本課題對工業(yè)過程中關鍵變量的變化趨勢進行研究和分析,著重研究區(qū)間預測方法及其在實際工業(yè)過程中的應用,內容如下:1.為了對工業(yè)過程中的相關變量變化趨勢進行預測,本文提出一種基于反饋多核極限學習機（MKELM-EF）的點預測方法,該模型主要依據(jù)兩種核函數(shù)的占比,來綜合衡量核函數(shù)在預測模型中的重要性,同時采用自適應粒子群（APSO）算法優(yōu)化模型中的相關核參數(shù),使預測模型的預測精度和收斂速度得到優(yōu)化。2.針對關鍵變量的變化趨勢預測,本文提出種基于Bootstrap和改進極限學習機相結合的區(qū)間預測方法。其中,Bootstrap用于對原始數(shù)據(jù)進行重抽樣,MKELM-EF作為回歸算法,二... 

【文章來源】：北京化工大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

圖１－２區(qū)間預測方法分類??Ｆｉｇ．１－２?Ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｃｈａｒｔ?ｏｆ?ｉｎｔｅｒｖａｌ?ｐｒｅｄｉｃｔｉｏｎ??

?第一章緒論???的關注。其最基本的組成單位就是網絡節(jié)點，模仿生物神經元結構的人工神經元模型，??其結構如圖２－２所示。ＡＮＮ模仿人類大腦中的神經元，每個節(jié)點可以接受與之相連接??的節(jié)點傳遞的相關信息，并結合自身的權重進行加權后將帶權重信息的新信息傳送到??其他節(jié)點。按照網絡結構及其計算方法的不同，有前饋神經網絡，反饋神經網絡等多??種網絡模型已經得到長足的發(fā)展。其中前饋神經網絡，作為神經網絡中一種經典的網??絡結構，模型簡單，應用廣泛＾５４３。??Ａ?ｓ?＇??Ｘｎ??圖２－２神經元模型??Ｆｉｇ．２－２?Ｎｅｕｒｏｎ?ｍｏｄｅｌ??黃廣斌教授在對現(xiàn)有神經網絡模型進行分析，創(chuàng)造了一種新的方式，為極限學習??機算法，這個方法一經提出，就被相關領域內人士廣泛使用，目前己經成為應用最廣??泛的前饋神經網絡算法之一［５５］，網絡結構簡圖如圖２－３所示。該方法利用到的數(shù)學原??理有最小二乘和矩陣的廣義逆求解，輸入層以及隱藏層之間一般情況下都是通過一次??隨機的方式加以確定的，大大簡化了傳統(tǒng)方法中的節(jié)點設置步驟，在計算量方面簡化??很多，計算速度相較傳統(tǒng)方法要快很多。這種算法簡化了傳統(tǒng)神經網絡中梯度下降算??法多次迭代更新的步驟，不僅縮短計算時間，而且模型的學習泛化能力也十分優(yōu)秀。??因其新能突出，表現(xiàn)優(yōu)異，被廣大學者和研宄人員所喜愛，人們根據(jù)實際需求的不同，??對傳統(tǒng)的ＥＬＭ方法進行不斷地改良，提出一系列新的優(yōu)化方法和多種方法結合的組??合方法??１５??

?北京化工大學碩士學位論文???輸入層?隱含層?輸出層??一－◎、：矣，一??—意繁一??圖２－３?ＥＬＭ神經網絡??Ｆｉｇ．２－３?ＥＬＭ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??和其他的機器學習算法一脈相承，ＥＬＭ的訓練過程中也將原始數(shù)據(jù)按照一定比??例分為訓練數(shù)據(jù)集和泛化數(shù)據(jù)集，下面對ＥＬＭ算法的具體步驟和數(shù)學原理進行一個??簡要介紹。??假設存在Ｎ個任意不同的樣本（＜，７；）ｅｉｒＸ，，這里是４是ｍ＊ｌ的輸入矩陣，是??３；是ｎ＊ｌ的目標矩陣。假設有Ｌ個隱含節(jié)點的網絡結構，輸入層和隱含層之間的權重??為％貝Ｕ：??ｆＶ＝?：?：??、巧丨…叫Ｊ？?式（２－１７）??式中，＇表示輸入層第／個節(jié)點與隱含層第＿／個節(jié)點間的權重??用表示隱含層與輸出層之間的權重：??ｆＡ．…凡）??／？＝?：?ｉ??…Ａｊ／？”?式（２－１８）??式中，＆為隱含層第ｙ個節(jié)點和輸出層第灸個節(jié)點間的權重??用６表示隱含層的偏置項，貝！Ｊ：??１６??

【參考文獻】：
期刊論文
[1]基于云理論的風電場群長期出力區(qū)間預測[J]. 陳好杰,程浩忠,徐國棟,馬則良,傅業(yè)盛.  電力系統(tǒng)保護與控制. 2019(03)
[2]基于LSTM風速區(qū)間預測的風力發(fā)電機再切入控制[J]. 白博,李益華,蘇盛,劉佳妮.  電力學報. 2018(03)
[3]基于FEEMD-AE與反饋極限學習機組合模型預測研究與應用[J]. 徐圓,張偉,張明卿,賀彥林.  化工學報. 2018(03)
[4]基于關鍵變量的OPLS預測方法[J]. 羅明英,王帆,譚帥,侍洪波.  華東理工大學學報(自然科學版). 2016(04)
[5]基于模糊信息�；c小波支持向量機的滾動軸承性能退化趨勢預測[J]. 陳法法,楊勇,陳保家,陳從平.  中國機械工程. 2016(12)
[6]基于Bootstrap的高爐鐵水硅含量二維預報[J]. 蔣朝輝,董夢林,桂衛(wèi)華,陽春華,謝永芳.  自動化學報. 2016(05)
[7]基于偏最小二乘回歸和SVM的水質預測[J]. 張森,石為人,石欣,郭寶麗.  計算機工程與應用. 2015(15)
[8]基于動態(tài)記憶反饋的改進ELM故障預測方法應用研究[J]. 徐圓,葉亮亮,朱群雄.  控制與決策. 2015(04)
[9]基于主成分分析-改進的極限學習機方法的精對苯二甲酸醋酸含量軟測量[J]. 賀彥林,王曉,朱群雄.  控制理論與應用. 2015(01)
[10]小波核極限學習機及其在醋酸精餾軟測量建模中的應用[J]. 潘紅芳,劉愛倫.  華東理工大學學報(自然科學版). 2014(04)



本文編號：3467049