近年來(lái),隨著工業(yè)生產(chǎn)過(guò)程的復(fù)雜性不斷增加,規(guī)模日益擴(kuò)大,控制變量的種類和數(shù)目越來(lái)越多,對(duì)于變量的預(yù)測(cè)控制有了新的要求。在早期的傳統(tǒng)工業(yè)中,點(diǎn)預(yù)測(cè)方法是對(duì)關(guān)鍵變量進(jìn)行預(yù)測(cè)的主要方法。然而,由于實(shí)際情況不同,以及具體生產(chǎn)流程中相關(guān)變量的變化往往存在不確定性,單純使用點(diǎn)預(yù)測(cè)方法進(jìn)行預(yù)測(cè)已經(jīng)不能滿足實(shí)際工業(yè)需。與此同時(shí),在實(shí)際的生產(chǎn)過(guò)程中,與數(shù)據(jù)點(diǎn)預(yù)測(cè)進(jìn)行比較,對(duì)未來(lái)某個(gè)階段數(shù)據(jù)的變化范圍進(jìn)行預(yù)測(cè)對(duì)于指導(dǎo)實(shí)踐更有意義。因此,本課題對(duì)工業(yè)過(guò)程中關(guān)鍵變量的變化趨勢(shì)進(jìn)行研究和分析,著重研究區(qū)間預(yù)測(cè)方法及其在實(shí)際工業(yè)過(guò)程中的應(yīng)用,內(nèi)容如下:1.為了對(duì)工業(yè)過(guò)程中的相關(guān)變量變化趨勢(shì)進(jìn)行預(yù)測(cè),本文提出一種基于反饋多核極限學(xué)習(xí)機(jī)（MKELM-EF）的點(diǎn)預(yù)測(cè)方法,該模型主要依據(jù)兩種核函數(shù)的占比,來(lái)綜合衡量核函數(shù)在預(yù)測(cè)模型中的重要性,同時(shí)采用自適應(yīng)粒子群（APSO）算法優(yōu)化模型中的相關(guān)核參數(shù),使預(yù)測(cè)模型的預(yù)測(cè)精度和收斂速度得到優(yōu)化。2.針對(duì)關(guān)鍵變量的變化趨勢(shì)預(yù)測(cè),本文提出種基于Bootstrap和改進(jìn)極限學(xué)習(xí)機(jī)相結(jié)合的區(qū)間預(yù)測(cè)方法。其中,Bootstrap用于對(duì)原始數(shù)據(jù)進(jìn)行重抽樣,MKELM-EF作為回歸算法,二... 

【文章來(lái)源】：北京化工大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

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

?第一章緒論???的關(guān)注。其最基本的組成單位就是網(wǎng)絡(luò)節(jié)點(diǎn)，模仿生物神經(jīng)元結(jié)構(gòu)的人工神經(jīng)元模型，??其結(jié)構(gòu)如圖２－２所示。ＡＮＮ模仿人類大腦中的神經(jīng)元，每個(gè)節(jié)點(diǎn)可以接受與之相連接??的節(jié)點(diǎn)傳遞的相關(guān)信息，并結(jié)合自身的權(quán)重進(jìn)行加權(quán)后將帶權(quán)重信息的新信息傳送到??其他節(jié)點(diǎn)。按照網(wǎng)絡(luò)結(jié)構(gòu)及其計(jì)算方法的不同，有前饋神經(jīng)網(wǎng)絡(luò)，反饋神經(jīng)網(wǎng)絡(luò)等多??種網(wǎng)絡(luò)模型已經(jīng)得到長(zhǎng)足的發(fā)展。其中前饋神經(jīng)網(wǎng)絡(luò)，作為神經(jīng)網(wǎng)絡(luò)中一種經(jīng)典的網(wǎng)??絡(luò)結(jié)構(gòu)，模型簡(jiǎn)單，應(yīng)用廣泛＾５４３。??Ａ?ｓ?＇??Ｘｎ??圖２－２神經(jīng)元模型??Ｆｉｇ．２－２?Ｎｅｕｒｏｎ?ｍｏｄｅｌ??黃廣斌教授在對(duì)現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分析，創(chuàng)造了一種新的方式，為極限學(xué)習(xí)??機(jī)算法，這個(gè)方法一經(jīng)提出，就被相關(guān)領(lǐng)域內(nèi)人士廣泛使用，目前己經(jīng)成為應(yīng)用最廣??泛的前饋神經(jīng)網(wǎng)絡(luò)算法之一［５５］，網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)圖如圖２－３所示。該方法利用到的數(shù)學(xué)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(guò)一次??隨機(jī)的方式加以確定的，大大簡(jiǎn)化了傳統(tǒng)方法中的節(jié)點(diǎn)設(shè)置步驟，在計(jì)算量方面簡(jiǎn)化??很多，計(jì)算速度相較傳統(tǒng)方法要快很多。這種算法簡(jiǎn)化了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中梯度下降算??法多次迭代更新的步驟，不僅縮短計(jì)算時(shí)間，而且模型的學(xué)習(xí)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(xué)者和研宄人員所喜愛(ài)，人們根據(jù)實(shí)際需求的不同，??對(duì)傳統(tǒng)的ＥＬＭ方法進(jìn)行不斷地改良，提出一系列新的優(yōu)化方法和多種方法結(jié)合的組??合方法??１５??

?北京化工大學(xué)碩士學(xué)位論文???輸入層?隱含層?輸出層??一－◎、：矣，一??—意繁一??圖２－３?ＥＬＭ神經(jīng)網(wǎng)絡(luò)??Ｆｉｇ．２－３?ＥＬＭ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??和其他的機(jī)器學(xué)習(xí)算法一脈相承，ＥＬＭ的訓(xùn)練過(guò)程中也將原始數(shù)據(jù)按照一定比??例分為訓(xùn)練數(shù)據(jù)集和泛化數(shù)據(jù)集，下面對(duì)ＥＬＭ算法的具體步驟和數(shù)學(xué)原理進(jìn)行一個(gè)??簡(jiǎn)要介紹。??假設(shè)存在Ｎ個(gè)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(biāo)矩陣。假設(shè)有Ｌ個(gè)隱含節(jié)點(diǎn)的網(wǎng)絡(luò)結(jié)構(gòu)，輸入層和隱含層之間的權(quán)重??為％貝Ｕ：??ｆＶ＝?：?：??、巧丨…叫Ｊ？?式（２－１７）??式中，＇表示輸入層第／個(gè)節(jié)點(diǎn)與隱含層第＿／個(gè)節(jié)點(diǎn)間的權(quán)重??用表示隱含層與輸出層之間的權(quán)重：??ｆＡ．…凡）??／？＝?：?ｉ??…Ａｊ／？”?式（２－１８）??式中，＆為隱含層第ｙ個(gè)節(jié)點(diǎn)和輸出層第灸個(gè)節(jié)點(diǎn)間的權(quán)重??用６表示隱含層的偏置項(xiàng)，貝�。剩�??１６??

【參考文獻(xiàn)】：
期刊論文
[1]基于云理論的風(fēng)電場(chǎng)群長(zhǎng)期出力區(qū)間預(yù)測(cè)[J]. 陳好杰,程浩忠,徐國(guó)棟,馬則良,傅業(yè)盛.  電力系統(tǒng)保護(hù)與控制. 2019(03)
[2]基于LSTM風(fēng)速區(qū)間預(yù)測(cè)的風(fēng)力發(fā)電機(jī)再切入控制[J]. 白博,李益華,蘇盛,劉佳妮.  電力學(xué)報(bào). 2018(03)
[3]基于FEEMD-AE與反饋極限學(xué)習(xí)機(jī)組合模型預(yù)測(cè)研究與應(yīng)用[J]. 徐圓,張偉,張明卿,賀彥林.  化工學(xué)報(bào). 2018(03)
[4]基于關(guān)鍵變量的OPLS預(yù)測(cè)方法[J]. 羅明英,王帆,譚帥,侍洪波.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(04)
[5]基于模糊信息粒化與小波支持向量機(jī)的滾動(dòng)軸承性能退化趨勢(shì)預(yù)測(cè)[J]. 陳法法,楊勇,陳保家,陳從平.  中國(guó)機(jī)械工程. 2016(12)
[6]基于Bootstrap的高爐鐵水硅含量二維預(yù)報(bào)[J]. 蔣朝輝,董夢(mèng)林,桂衛(wèi)華,陽(yáng)春華,謝永芳.  自動(dòng)化學(xué)報(bào). 2016(05)
[7]基于偏最小二乘回歸和SVM的水質(zhì)預(yù)測(cè)[J]. 張森,石為人,石欣,郭寶麗.  計(jì)算機(jī)工程與應(yīng)用. 2015(15)
[8]基于動(dòng)態(tài)記憶反饋的改進(jìn)ELM故障預(yù)測(cè)方法應(yīng)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(jìn)的極限學(xué)習(xí)機(jī)方法的精對(duì)苯二甲酸醋酸含量軟測(cè)量[J]. 賀彥林,王曉,朱群雄.  控制理論與應(yīng)用. 2015(01)
[10]小波核極限學(xué)習(xí)機(jī)及其在醋酸精餾軟測(cè)量建模中的應(yīng)用[J]. 潘紅芳,劉愛(ài)倫.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(04)



本文編號(hào)：3467049