在化工過程的建模中,由于過程數(shù)據(jù)的高維度和高非線性,導致計算量大幅提升和建模難度加大。為了解決這一問題,提出了一種基于正則化方法的函數(shù)連接神經(jīng)網(wǎng)絡模型(regularization based functional link neural network, RFLNN)。所提出的RFLNN方法里,通過使用正則化的方法對函數(shù)連接神經(jīng)網(wǎng)絡的權值進行優(yōu)化,一方面大幅降低網(wǎng)絡計算復雜度和計算量,另一方面極大程度上克服網(wǎng)絡局部極值和過擬合的問題,以提高函數(shù)連接神經(jīng)網(wǎng)絡的學習速度和精度。為了驗證所提出方法的有效性,首先采用UCI數(shù)據(jù)中Real estate valuation數(shù)據(jù)對其性能進行測試;隨后將所提的方法應用于高密度聚乙烯(high density polyethylene,HDPE)復雜生產(chǎn)過程進行建模。UCI標準數(shù)據(jù)與工業(yè)數(shù)據(jù)的仿真結果表明,與傳統(tǒng)FLNN對比,RFLNN在處理高維復雜化工過程數(shù)據(jù)時具有收斂速度快、建模精度高等特點。

【文章頁數(shù)】：8 頁

【文章目錄】：
引言
1 函數(shù)連接神經(jīng)網(wǎng)絡
    1.1 FLNN結構及構造方法
    1.2 傳統(tǒng)FLNN的局限性
2 基于正則化方法的FLNN神經(jīng)網(wǎng)絡
    2.1 正則化方法
    2.2 基于正則化的FLNN
3 實驗結果分析
    3.1 標準數(shù)據(jù)實驗分析
    3.2 HDPE工業(yè)應用數(shù)據(jù)實驗分析
        3.2.1 HDPE簡介
        3.2.2 訓練結果對比
        3.2.3 泛化結果對比
4 結論



本文編號：3802598