發(fā)布時(shí)間：2021-10-27 05:07

　　隨著現(xiàn)代化工過(guò)程對(duì)生產(chǎn)質(zhì)量的訴求不斷提高,先進(jìn)傳感器設(shè)備和測(cè)量技術(shù)被引入到復(fù)雜的化工控制系統(tǒng)中,獲得化工過(guò)程中越來(lái)越詳細(xì)的過(guò)程數(shù)據(jù)信息,但是對(duì)提高生產(chǎn)質(zhì)量的一些關(guān)鍵變量仍然不能直接測(cè)量得到。因此,如何利用已有的過(guò)程變量預(yù)測(cè)這些關(guān)鍵變量成為一個(gè)亟待解決的問(wèn)題。在這種背景下,人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法在化工過(guò)程中被廣泛使用。徑向基（RBF）神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中最常使用的預(yù)測(cè)模型,它具有單隱層的三層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),與其他前饋神經(jīng)網(wǎng)絡(luò)不同的是具有全局最優(yōu)和最佳逼近特性,它能夠建立變量之間的關(guān)系模型,對(duì)化工過(guò)程中的關(guān)鍵變量進(jìn)行預(yù)測(cè)。隨著現(xiàn)代化工過(guò)程中產(chǎn)生的數(shù)據(jù)量越來(lái)越大,非線性越來(lái)越強(qiáng),對(duì)RBF神經(jīng)網(wǎng)絡(luò)中所涉及的相關(guān)參數(shù)沒(méi)有較好優(yōu)化,從而導(dǎo)致對(duì)關(guān)鍵變量的預(yù)測(cè)性能不能達(dá)到現(xiàn)代化工過(guò)程的要求,為了解決以上問(wèn)題,本文對(duì)過(guò)程數(shù)據(jù)進(jìn)行預(yù)處理,并將傳統(tǒng)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,主要研究?jī)?nèi)容如下:（1）針對(duì)RBF神經(jīng)網(wǎng)絡(luò)沒(méi)有對(duì)相關(guān)參數(shù)較好優(yōu)化,導(dǎo)致預(yù)測(cè)性能較差的情況,提出了基于PCA的LM-GA優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法。首先使用主成分分析（PCA）方法對(duì)輸入到神經(jīng)網(wǎng)絡(luò)的過(guò)程變量進(jìn)行預(yù)處理,其次主要利用Le... 

【文章來(lái)源】：杭州電子科技大學(xué)浙江省

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

人工神經(jīng)網(wǎng)絡(luò)模擬圖

杭州電子科技大學(xué)碩士學(xué)位論文14圖2.1人工神經(jīng)網(wǎng)絡(luò)模擬圖人工神經(jīng)網(wǎng)絡(luò)的理論是受動(dòng)物腦神經(jīng)元結(jié)構(gòu)及其處理大量信息能力的啟發(fā)，它是一種模仿數(shù)學(xué)模型的分布式并行處理算法的神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)通過(guò)調(diào)整相互連接節(jié)點(diǎn)之間的關(guān)系來(lái)達(dá)到處理信息的目的，并且具有自適應(yīng)和自學(xué)習(xí)能力。人工神經(jīng)網(wǎng)絡(luò)是一種監(jiān)督學(xué)習(xí)算法，它利用多個(gè)參數(shù)的混合來(lái)處理近似輸入和輸出之間的復(fù)雜關(guān)系，目前人工神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用于模型識(shí)別與預(yù)測(cè)等相關(guān)技術(shù)領(lǐng)域中[77]。2.4.1人工神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)的產(chǎn)生源于所有事物并非都可以通過(guò)線性或邏輯回歸來(lái)近似數(shù)據(jù)中可能存在的復(fù)雜模型，函數(shù)的復(fù)雜性和預(yù)測(cè)能力是息息相關(guān)的。神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)如下圖所示：圖2.2人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖其中，圖中第一層為輸入層，中間兩層為隱含層，最后一層為輸出層。輸入層通常是用于預(yù)測(cè)輸出層的自變量，在預(yù)測(cè)問(wèn)題上，輸出層中將只有一個(gè)節(jié)點(diǎn)，而在其他問(wèn)題上，輸出層包含的節(jié)點(diǎn)與自變量不同類別的數(shù)量相同，隱含層用于將輸入變量轉(zhuǎn)化為高階函數(shù)，單個(gè)隱含層神經(jīng)元輸出形式如下圖所示：

杭州電子科技大學(xué)碩士學(xué)位論文15圖2.3隱含層神經(jīng)元輸出圖其中輸入是由多個(gè)自變量組成的，為每個(gè)自變量賦予每個(gè)權(quán)重值，權(quán)值越大表示輸入信號(hào)對(duì)神經(jīng)元影響越大，通過(guò)調(diào)整權(quán)值可以得到固定輸入下需要的輸出值。隱含層中包含激活函數(shù)，則激活函數(shù)表示如下：=∑=0(2.30)其中，是輸入變量，=1,2,…,，是層和層之間連接的權(quán)值。上面的函數(shù)展示的是在求和基礎(chǔ)上應(yīng)用的激活函數(shù)，能夠處理相應(yīng)的非線性操作，下面是我們常用的激活函數(shù)形式：(1)邏輯Sigmoid函數(shù)：()=11+(2.31)(2)雙曲正切Tanh函數(shù)：()=+(2.32)(3)線性Relu函數(shù)：()={≥00≤0(2.33)2.4.2人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)也可稱為訓(xùn)練，能夠在外部環(huán)境的作用下對(duì)神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行調(diào)整，并以一種新的方式去適應(yīng)外部環(huán)境。神經(jīng)網(wǎng)絡(luò)的性質(zhì)就是在外部環(huán)境中訓(xùn)練并提高自身性能。在構(gòu)造神經(jīng)網(wǎng)絡(luò)時(shí)，其神經(jīng)元的激活函數(shù)就已經(jīng)確定了，因此如果想要改變網(wǎng)絡(luò)輸出的大小，只能通過(guò)改變加權(quán)求和的輸入來(lái)達(dá)到目的。由于神經(jīng)元只能對(duì)網(wǎng)絡(luò)的輸入信號(hào)進(jìn)行處理，想要改變網(wǎng)絡(luò)的加權(quán)輸入就只能修改網(wǎng)絡(luò)神經(jīng)元的權(quán)值參數(shù)，因此神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)就是改變權(quán)值矩陣的過(guò)程。人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法是根據(jù)輸出層是否需要對(duì)比實(shí)際輸出來(lái)分類的，主要分為：無(wú)導(dǎo)師學(xué)習(xí)，如Hebb學(xué)習(xí)、基于記憶的學(xué)習(xí)等；有導(dǎo)師學(xué)習(xí)，如糾錯(cuò)學(xué)習(xí)、競(jìng)爭(zhēng)學(xué)習(xí)、隨機(jī)學(xué)習(xí)等[17-19]。

【參考文獻(xiàn)】：
期刊論文
[1]基于GABP算法的化工設(shè)備設(shè)計(jì)人工時(shí)預(yù)測(cè)[J]. 戴健偉,吉華,楊崗,樊剛,王彬.  計(jì)算機(jī)集成制造系統(tǒng). 2013(07)
[2]PCA和GA-PSO-RBF集成的發(fā)電機(jī)組遠(yuǎn)程故障診斷[J]. 錢(qián)玉良,張浩,彭道剛,徐春梅.  電子測(cè)量與儀器學(xué)報(bào). 2012(07)
[3]人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J]. 毛健,趙紅東,姚婧婧.  電子設(shè)計(jì)工程. 2011(24)
[4]改進(jìn)PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測(cè)[J]. 李松,劉力軍,劉穎鵬.  計(jì)算機(jī)工程與應(yīng)用. 2013(06)
[5]基于PCA-RBF神經(jīng)網(wǎng)絡(luò)的煙田土壤水分預(yù)測(cè)[J]. 陳昌華,譚俊,尹健康,張飛,姚進(jìn).  農(nóng)業(yè)工程學(xué)報(bào). 2010(08)
[6]多子群遺傳神經(jīng)網(wǎng)絡(luò)模型用于路口短時(shí)交通流量預(yù)測(cè)[J]. 劉漢麗,周成虎,朱阿興,李霖.  測(cè)繪學(xué)報(bào). 2009(04)
[7]Dimensionality Reduction with Input Training Neural Network and Its Application in Chemical Process Modelling[J]. 朱群雄,李澄非.  Chinese Journal of Chemical Engineering. 2006(05)
[8]統(tǒng)計(jì)模式識(shí)別中的維數(shù)削減與低損降維[J]. 宋楓溪,高秀梅,劉樹(shù)海,楊靜宇.  計(jì)算機(jī)學(xué)報(bào). 2005(11)



本文編號(hào)：3460934