本文關(guān)鍵詞：基于熵層次分析的GA-FLANN網(wǎng)絡(luò)研究及應(yīng)用

  更多相關(guān)文章： 函數(shù)鏈接神經(jīng)網(wǎng)絡(luò) 信息熵 遺傳算法 層次分析 建模

【摘要】：實(shí)際工業(yè)生產(chǎn)過程復(fù)雜繁瑣,神經(jīng)網(wǎng)絡(luò)由于其“黑箱“特性,不需要知道對象的機(jī)理過程,利用對象的輸入輸出數(shù)據(jù)即可對生產(chǎn)過程進(jìn)行建模。近年來,隨著國內(nèi)外學(xué)者的研究衍生出了多種神經(jīng)網(wǎng)絡(luò)模型,而函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)(functional link artificial neural networks, FLANN)則是其中的一種。由于工業(yè)生產(chǎn)數(shù)據(jù)受污染嚴(yán)重導(dǎo)致數(shù)據(jù)中存在大量噪聲,維度較高,FLANN應(yīng)用在實(shí)際工業(yè)數(shù)據(jù)建模中訓(xùn)練效果和泛化效果并不理想。針對以上問題研究一種改進(jìn)的FLANN網(wǎng)絡(luò),以及數(shù)據(jù)降維方法優(yōu)化網(wǎng)絡(luò)的輸入,將所提方法在標(biāo)準(zhǔn)數(shù)據(jù)集和實(shí)際工業(yè)中進(jìn)行了實(shí)驗(yàn)驗(yàn)證,結(jié)果表明所提方法的有效性和實(shí)用性。主要內(nèi)容如下：(1)傳統(tǒng)的FLANN網(wǎng)絡(luò)訓(xùn)練算法采用基于梯度下降的BP算法,在訓(xùn)練過程中容易陷入局部最優(yōu),本文提出了一種基于遺傳算法的FLANN網(wǎng)絡(luò)(GA-FLANN),在FLANN網(wǎng)絡(luò)訓(xùn)練之前對初始權(quán)、閾值進(jìn)行尋優(yōu)并賦值而不是人為憑借經(jīng)驗(yàn)來設(shè)定,最大程度的避免FLANN在訓(xùn)練過程中陷入局部最優(yōu)。最后利用標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),結(jié)果表明GA-FLANN網(wǎng)絡(luò)具有更好的穩(wěn)定性和實(shí)用性。(2)針對含有噪聲且具有大量冗余項(xiàng)的工業(yè)數(shù)據(jù),提出一種基于數(shù)據(jù)驅(qū)動的熵層次分析法對數(shù)據(jù)進(jìn)行特征提取,去除數(shù)據(jù)中的污染項(xiàng)留下能夠反映數(shù)據(jù)本質(zhì)變量,降低GA-FLANN網(wǎng)絡(luò)的輸入。使用標(biāo)準(zhǔn)數(shù)據(jù)集對其進(jìn)行實(shí)驗(yàn),證明了該方法的有效性。(3)將本文提出的方法分別應(yīng)用與乙烯生產(chǎn)過程和食品安全風(fēng)險分析中,建立了乙烯工業(yè)生產(chǎn)預(yù)測模型和食品安全風(fēng)險預(yù)測模型,并使用實(shí)際工業(yè)數(shù)據(jù)驗(yàn)證了所提方法的有效性；此外在食品安全風(fēng)險預(yù)警模型的基礎(chǔ)上構(gòu)建了一套基于B/S架構(gòu)的食品安全風(fēng)險原型系統(tǒng)。
【關(guān)鍵詞】：函數(shù)鏈接神經(jīng)網(wǎng)絡(luò) 信息熵 遺傳算法 層次分析 建模
【學(xué)位授予單位】：北京化工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TS201.6;TP18
【目錄】：

• 學(xué)位論文數(shù)據(jù)集3-4
• 摘要4-6
• ABSTRACT6-14
• 第一章 緒論14-24
• 1.1 課題研究背景14
• 1.2 建模方法研究現(xiàn)狀14-20
• 1.2.1 機(jī)理建模14-15
• 1.2.2 黑箱建模15-20
• 1.3 數(shù)據(jù)降維技術(shù)研究現(xiàn)狀20-21
• 1.4 課題研究內(nèi)容21-22
• 1.5 論文組織結(jié)構(gòu)22-24
• 第二章 基于遺傳算法的FLANN網(wǎng)絡(luò)24-34
• 2.1 多層前饋神經(jīng)網(wǎng)絡(luò)24-27
• 2.1.1 多層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)24
• 2.1.2 多層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式24-25
• 2.1.3 多層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法25-27
• 2.1.4 多層前饋神經(jīng)網(wǎng)絡(luò)性能分析27
• 2.2 函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)27-29
• 2.2.1 函數(shù)鏈接網(wǎng)絡(luò)結(jié)構(gòu)27-28
• 2.2.2 函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法28-29
• 2.2.3 函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)性能分析29
• 2.3 基于遺傳算法的函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)(GA-FLANN)29-31
• 2.3.1 GA-FLANN網(wǎng)絡(luò)的可行性和必要性分析29
• 2.3.2 GA-FLANN算法設(shè)計(jì)29-31
• 2.3.3 GA-FLANN算法流程圖31
• 2.3.4 GA-FLANN算法操作步驟31
• 2.4 實(shí)驗(yàn)測試31-32
• 2.5 本章小結(jié)32-34
• 第三章 基于熵層次分析的GA-FLANN神經(jīng)網(wǎng)絡(luò)34-44
• 3.1 層次分析法34-35
• 3.1.1 層次分析法概述34
• 3.1.2 層次分析法基本原理及結(jié)構(gòu)模型34-35
• 3.2 熵理論35-36
• 3.3 基于數(shù)據(jù)驅(qū)動的層析分析法36-38
• 3.4 基于熵層次分析法優(yōu)化神經(jīng)網(wǎng)絡(luò)輸入38
• 3.5 基于熵層次分析法的GA-FLANN網(wǎng)絡(luò)建模38-39
• 3.6 實(shí)驗(yàn)測試39-42
• 3.6.1 WINE數(shù)據(jù)集實(shí)驗(yàn)測試40-41
• 3.6.2 Parkinsons數(shù)據(jù)集實(shí)驗(yàn)測試41-42
• 3.7 本章小結(jié)42-44
• 第四章 實(shí)際應(yīng)用44-54
• 4.1 應(yīng)用一：乙烯裝置生產(chǎn)過程建模44-48
• 4.1.1 乙烯數(shù)據(jù)分析44-45
• 4.1.2 乙烯裝置生產(chǎn)預(yù)測分析45-47
• 4.1.3 乙烯裝置生產(chǎn)能效分析47-48
• 4.2 應(yīng)用二：食品安全預(yù)警建模48-52
• 4.2.1 數(shù)據(jù)來源及預(yù)處理49-50
• 4.2.2 神經(jīng)網(wǎng)絡(luò)預(yù)測食品安全風(fēng)險50-52
• 4.3 本章小結(jié)52-54
• 第五章 食品安全預(yù)警原型系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)54-62
• 5.1 系統(tǒng)總體架構(gòu)設(shè)計(jì)54
• 5.2 系統(tǒng)功能設(shè)計(jì)54-55
• 5.3 系統(tǒng)開發(fā)環(huán)境配置55-56
• 5.3.1 開發(fā)軟件選擇55-56
• 5.4 系統(tǒng)功能模塊詳細(xì)介紹56-60
• 5.4.1 食品檢測數(shù)據(jù)統(tǒng)計(jì)分析模塊56-57
• 5.4.2 食品檢測數(shù)據(jù)建模分析模塊57-60
• 5.5 本章小結(jié)60-62
• 第六章 結(jié)論與展望62-64
• 6.1 結(jié)論62
• 6.2 展望62-64
• 參考文獻(xiàn)64-68
• 致謝68-70
• 研究成果及發(fā)表的學(xué)術(shù)論文70-72
• 作者和導(dǎo)師簡介72-73
• 附件73-74

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 韓永明;耿志強(qiáng);劉啟玉;;基于DEA和AHP模型的乙烯生產(chǎn)裝置能效評價（英文）[J];Chinese Journal of Chemical Engineering;2014年Z1期

2 耿志強(qiáng);朱群雄;顧祥柏;;基于關(guān)聯(lián)層次模型的乙烯裝置能效虛擬對標(biāo)及應(yīng)用[J];化工學(xué)報;2011年08期

3 陳繼光;;基于Vague-Fuzzy理論的深基坑支護(hù)方案評價應(yīng)用[J];數(shù)學(xué)的實(shí)踐與認(rèn)識;2011年11期

4 王學(xué)雷;;面向乙烯生產(chǎn)流程的能源消耗動態(tài)定標(biāo)方法[J];計(jì)算機(jī)與應(yīng)用化學(xué);2010年09期

5 牟峰;袁曉輝;王慈光;景云;;基于灰預(yù)測和正態(tài)云的參數(shù)自適應(yīng)蟻群遺傳算法[J];控制理論與應(yīng)用;2010年06期

6 于建寧;章龍江;李吉春;;中國石油乙烯工業(yè)發(fā)展現(xiàn)狀及前景[J];石化技術(shù)與應(yīng)用;2010年03期

7 袁煜明;范文慧;楊雨田;趙常宏;孫元棟;;一種基于多樣化成長策略的遺傳算法[J];控制與決策;2009年12期

8 李宏;謝政;向遙;吳敏;;一種采用LLE降維和貝葉斯分類的多類標(biāo)學(xué)習(xí)算法[J];系統(tǒng)工程與電子技術(shù);2009年06期

9 申曉寧;郭毓;陳慶偉;胡維禮;;一種保持群體多樣性的多目標(biāo)遺傳算法[J];控制與決策;2008年12期

10 樊紅平;牟少飛;葉志華;;美國農(nóng)產(chǎn)品質(zhì)量安全認(rèn)證體系及對中國的啟示[J];世界農(nóng)業(yè);2007年09期

，

本文編號：988504