本文選題：平方根容積卡爾曼濾波　切入點：遞歸神經(jīng)網(wǎng)絡　出處：《信息與控制》2017年03期 　論文類型：期刊論文

【摘要】：針對具有強非線性、復雜的化工過程軟測量建模,提出一種基于平方根容積卡爾曼濾波(SCKF)的遞歸神經(jīng)網(wǎng)絡方法.基于Elman遞歸神經(jīng)網(wǎng)絡,首先構建狀態(tài)空間模型,然后應用SCKF算法進行訓練,所有網(wǎng)絡的權值將作為系統(tǒng)的狀態(tài)進行更新.容積卡爾曼濾波(CKF)通過三階Spherical-Radial容積準則生成容積點,利用容積點逼近狀態(tài)的后驗分布,使得高維非線性濾波中的多變量積分數(shù)值求解成為可能.在CKF的基礎上,SCKF采用預測及后驗誤差協(xié)方差矩陣的平方根因子進行遞推運算,進一步改進了算法的數(shù)值穩(wěn)定性.將該方法應用于脫丁烷塔底部丁烷組分含量以及硫回收裝置尾氣中SO2和H2S含量的軟測量動態(tài)建模實例中,在同等條件下,還與基于EKF、SCKF的前饋神經(jīng)網(wǎng)絡,基于EKF的遞歸神經(jīng)網(wǎng)絡等其它方法對比.結果表明,本文的方法能夠獲得很好的建模精度,顯示出其有效性.
[Abstract]:In view of the soft sensor modeling of chemical process with strong nonlinear and complex characteristics, a recursive neural network method based on square root volume Kalman filter (SCKF) is proposed. Based on Elman recurrent neural network, the state space model is first constructed. Then the SCKF algorithm is used to train, and the weights of all networks will be updated as the state of the system. The volume Kalman filter (CKF) generates the volume points through the third-order Spherical-Radial volume criterion, and uses the volume points to approximate the posteriori distribution of the state. It is possible to solve multivariable integral numerically in high dimensional nonlinear filtering. On the basis of CKF, the square root factor of prediction and posteriori error covariance matrix is used for recursive operation. The numerical stability of the algorithm is further improved. The method is applied to the soft sensing dynamic modeling examples of the content of butane at the bottom of the debutane tower and the content of SO2 and H2S in the tail gas of the sulfur recovery unit, under the same conditions, It is also compared with other methods such as feedforward neural network based on EKF and recurrent neural network based on EKF. The results show that the proposed method can achieve good modeling accuracy and show its effectiveness.
【作者單位】： 蘭州交通大學自動化與電氣工程學院;
【基金】：國家自然科學基金資助項目(51467008) 光電技術與智能控制教育部重點實驗室(蘭州交通大學)開放課題(KFKT2016-3)
【分類號】：TP183;TQ02

【相似文獻】

相關期刊論文 前10條

1 婁海川;蘇宏業(yè);謝磊;;融合過程先驗知識的遞歸神經(jīng)網(wǎng)絡模型及其應用[J];化工學報;2013年05期

2 李方方;趙英凱;俞輝;;對角遞歸神經(jīng)網(wǎng)絡在82B鋼力學性能預估中的應用[J];鋼鐵研究學報;2007年08期

3 杜云;田強;杜艷;張?zhí)K英;王暢;;簡單動態(tài)遞歸神經(jīng)網(wǎng)絡在非線性系統(tǒng)辨識中的應用[J];河北科技大學學報;2009年02期

4 曹柳林,陶斌軍;基于對角遞歸神經(jīng)網(wǎng)絡的粘度軟測量模型[J];北京化工大學學報(自然科學版);2001年02期

5 易稱福;王華金;張小紅;;一種實時求解矩陣平方根的新型遞歸神經(jīng)網(wǎng)絡[J];江西理工大學學報;2011年03期

6 丁利華,俞金壽;一類遞歸神經(jīng)網(wǎng)絡的非線性學習控制[J];石油化工高等學校學報;1998年02期

7 趙英凱,蔡寧;基于對角遞歸神經(jīng)網(wǎng)絡的肟化投酮量在線預估[J];工業(yè)儀表與自動化裝置;1999年03期

8 曹廣華;宛立達;袁子龍;金樹波;;基于遞歸神經(jīng)網(wǎng)絡的游梁式抽油機振動故障診斷[J];長江大學學報(自然科學版)理工卷;2010年01期

9 王佩佩;宋曉峰;楊平;;改進型內(nèi)部遞歸神經(jīng)網(wǎng)絡在QSAR中的應用[J];計算機與應用化學;2007年02期

10 王章利;譚永紅;;基于改進動態(tài)遞歸神經(jīng)網(wǎng)絡的發(fā)酵過程pH值辯識[J];控制工程;2009年S2期

相關會議論文 前10條

1 房毅憲;王寶文;王永茂;;基于偏差遞歸神經(jīng)網(wǎng)絡的股價預測(英文)[A];計算機技術與應用進展——全國第17屆計算機科學與技術應用（CACIS）學術會議論文集（上冊）[C];2006年

2 劉勇;沈毅;胡恒章;;遞歸神經(jīng)網(wǎng)絡自適應濾波器[A];1998年中國智能自動化學術會議論文集（上冊）[C];1998年

3 趙英凱;蔡寧;;基于對角遞歸神經(jīng)網(wǎng)絡的肟化投酮量在線預估[A];1998年中國智能自動化學術會議論文集（上冊）[C];1998年

4 李樹榮;李峰;;基于動態(tài)遞歸神經(jīng)網(wǎng)絡的非線性系統(tǒng)重構[A];1998年中國控制會議論文集[C];1998年

5 史志偉;韓敏;;應用遞歸神經(jīng)網(wǎng)絡建立非線性結構系統(tǒng)模型[A];第二十三屆中國控制會議論文集（下冊）[C];2004年

6 叢爽;戴誼;;遞歸神經(jīng)網(wǎng)絡逼近性能的研究[A];'2006系統(tǒng)仿真技術及其應用學術交流會論文集[C];2006年

7 呂進;郭晨;劉雨;;基于不完全遞歸神經(jīng)網(wǎng)絡的二階導數(shù)多步預測模糊控制及應用[A];2007年中國智能自動化會議論文集[C];2007年

8 蒲興成;;時變時滯不確定遞歸神經(jīng)網(wǎng)絡漸近穩(wěn)定的一個充分條件[A];2008’“先進集成技術”院士論壇暨第二屆儀表、自動化與先進集成技術大會論文集[C];2008年

9 仉寶玉;吳志敏;;基于對角遞歸神經(jīng)網(wǎng)絡的智能PID控制[A];'2003系統(tǒng)仿真技術及其應用學術交流會論文集[C];2003年

10 沈艷;謝美萍;;基于遞歸神經(jīng)網(wǎng)絡的船舶運動極短期建模預報[A];第二屆全國信息獲取與處理學術會議論文集[C];2004年

相關博士學位論文 前10條

1 趙永昌;一類時滯靜態(tài)遞歸神經(jīng)網(wǎng)絡的動力學行為研究[D];中國海洋大學;2010年

2 高海賓;擾動作用下遞歸神經(jīng)網(wǎng)絡穩(wěn)定性研究[D];燕山大學;2006年

3 黃玉嬌;具有廣義分段線性激活函數(shù)的遞歸神經(jīng)網(wǎng)絡的多穩(wěn)定性分析[D];東北大學;2014年

4 劉振偉;基于時滯重構方法的動態(tài)系統(tǒng)穩(wěn)定性與反饋控制研究[D];東北大學;2015年

5 徐東坡;遞歸神經(jīng)網(wǎng)絡梯度學習算法的收斂性[D];大連理工大學;2009年

6 于佳麗;遞歸神經(jīng)網(wǎng)絡的連續(xù)吸引子與模糊控制[D];電子科技大學;2009年

7 王芬;遞歸神經(jīng)網(wǎng)絡的動力學行為分析[D];武漢科技大學;2011年

8 季策;時滯遞歸神經(jīng)網(wǎng)絡的動態(tài)特性研究[D];東北大學;2005年

9 徐軍;遞歸神經(jīng)網(wǎng)絡穩(wěn)定性分析[D];浙江大學;2007年

10 張銳;幾類遞歸神經(jīng)網(wǎng)絡的穩(wěn)定性及其應用研究[D];東北大學;2010年

相關碩士學位論文 前10條

1 柳玉華;一種遞歸神經(jīng)網(wǎng)絡方法研究及其在非線性系統(tǒng)跟蹤控制中的應用[D];江西理工大學;2015年

2 羅威威;全局指數(shù)穩(wěn)定的遞歸神經(jīng)網(wǎng)絡的魯棒性分析[D];中國礦業(yè)大學;2015年

3 楊渺渺;具有時滯的遞歸神經(jīng)網(wǎng)絡穩(wěn)定性分析[D];電子科技大學;2015年

4 崔志超;基于產(chǎn)品特征的中文評論情感分析系統(tǒng)設計與實現(xiàn)[D];河北科技大學;2015年

5 余仕敏;基于遞歸神經(jīng)網(wǎng)絡的廣告點擊率預估[D];浙江理工大學;2016年

6 宛立達;基于振動信號分析的故障診斷理論與應用[D];東北石油大學;2010年

7 李克強;基于Spark的大規(guī)模RNNLM系統(tǒng)[D];江蘇大學;2016年

8 謝偉浩;基于多尺度時間遞歸神經(jīng)網(wǎng)絡的人群異常檢測[D];廣東工業(yè)大學;2016年

9 曹成遠;基于深度學習的蛋白質殘基相互作用預測[D];蘇州大學;2016年

10 梁軍;基于深度學習的文本特征表示及分類應用[D];鄭州大學;2016年

，

本文編號：1644316