發(fā)布時(shí)間：2018-03-21 14:46

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

【摘要】：針對(duì)具有強(qiáng)非線性、復(fù)雜的化工過程軟測(cè)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(luò)方法.基于Elman遞歸神經(jīng)網(wǎng)絡(luò),首先構(gòu)建狀態(tài)空間模型,然后應(yīng)用SCKF算法進(jìn)行訓(xùn)練,所有網(wǎng)絡(luò)的權(quán)值將作為系統(tǒng)的狀態(tài)進(jìn)行更新.容積卡爾曼濾波(CKF)通過三階Spherical-Radial容積準(zhǔn)則生成容積點(diǎn),利用容積點(diǎn)逼近狀態(tài)的后驗(yàn)分布,使得高維非線性濾波中的多變量積分?jǐn)?shù)值求解成為可能.在CKF的基礎(chǔ)上,SCKF采用預(yù)測(cè)及后驗(yàn)誤差協(xié)方差矩陣的平方根因子進(jìn)行遞推運(yùn)算,進(jìn)一步改進(jìn)了算法的數(shù)值穩(wěn)定性.將該方法應(yīng)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(cè)量動(dòng)態(tài)建模實(shí)例中,在同等條件下,還與基于EKF、SCKF的前饋神經(jīng)網(wǎng)絡(luò),基于EKF的遞歸神經(jīng)網(wǎng)絡(luò)等其它方法對(duì)比.結(jié)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(xué)自動(dòng)化與電氣工程學(xué)院;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(51467008) 光電技術(shù)與智能控制教育部重點(diǎn)實(shí)驗(yàn)室(蘭州交通大學(xué))開放課題(KFKT2016-3)
【分類號(hào)】：TP183;TQ02

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 婁海川;蘇宏業(yè);謝磊;;融合過程先驗(yàn)知識(shí)的遞歸神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用[J];化工學(xué)報(bào);2013年05期

2 李方方;趙英凱;俞輝;;對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)在82B鋼力學(xué)性能預(yù)估中的應(yīng)用[J];鋼鐵研究學(xué)報(bào);2007年08期

3 杜云;田強(qiáng);杜艷;張?zhí)K英;王暢;;簡(jiǎn)單動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)在非線性系統(tǒng)辨識(shí)中的應(yīng)用[J];河北科技大學(xué)學(xué)報(bào);2009年02期

4 曹柳林,陶斌軍;基于對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)的粘度軟測(cè)量模型[J];北京化工大學(xué)學(xué)報(bào)(自然科學(xué)版);2001年02期

5 易稱福;王華金;張小紅;;一種實(shí)時(shí)求解矩陣平方根的新型遞歸神經(jīng)網(wǎng)絡(luò)[J];江西理工大學(xué)學(xué)報(bào);2011年03期

6 丁利華,俞金壽;一類遞歸神經(jīng)網(wǎng)絡(luò)的非線性學(xué)習(xí)控制[J];石油化工高等學(xué)校學(xué)報(bào);1998年02期

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

8 曹廣華;宛立達(dá);袁子龍;金樹波;;基于遞歸神經(jīng)網(wǎng)絡(luò)的游梁式抽油機(jī)振動(dòng)故障診斷[J];長(zhǎng)江大學(xué)學(xué)報(bào)(自然科學(xué)版)理工卷;2010年01期

9 王佩佩;宋曉峰;楊平;;改進(jìn)型內(nèi)部遞歸神經(jīng)網(wǎng)絡(luò)在QSAR中的應(yīng)用[J];計(jì)算機(jī)與應(yīng)用化學(xué);2007年02期

10 王章利;譚永紅;;基于改進(jìn)動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)的發(fā)酵過程pH值辯識(shí)[J];控制工程;2009年S2期

相關(guān)會(huì)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(luò)的股價(jià)預(yù)測(cè)(英文)[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展——全國第17屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];2006年

2 劉勇;沈毅;胡恒章;;遞歸神經(jīng)網(wǎng)絡(luò)自適應(yīng)濾波器[A];1998年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];1998年

3 趙英凱;蔡寧;;基于對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)的肟化投酮量在線預(yù)估[A];1998年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];1998年

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

5 史志偉;韓敏;;應(yīng)用遞歸神經(jīng)網(wǎng)絡(luò)建立非線性結(jié)構(gòu)系統(tǒng)模型[A];第二十三屆中國控制會(huì)議論文集（下冊(cè)）[C];2004年

6 叢爽;戴誼;;遞歸神經(jīng)網(wǎng)絡(luò)逼近性能的研究[A];'2006系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文集[C];2006年

7 呂進(jìn);郭晨;劉雨;;基于不完全遞歸神經(jīng)網(wǎng)絡(luò)的二階導(dǎo)數(shù)多步預(yù)測(cè)模糊控制及應(yīng)用[A];2007年中國智能自動(dòng)化會(huì)議論文集[C];2007年

8 蒲興成;;時(shí)變時(shí)滯不確定遞歸神經(jīng)網(wǎng)絡(luò)漸近穩(wěn)定的一個(gè)充分條件[A];2008’“先進(jìn)集成技術(shù)”院士論壇暨第二屆儀表、自動(dòng)化與先進(jìn)集成技術(shù)大會(huì)論文集[C];2008年

9 仉寶玉;吳志敏;;基于對(duì)角遞歸神經(jīng)網(wǎng)絡(luò)的智能PID控制[A];'2003系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文集[C];2003年

10 沈艷;謝美萍;;基于遞歸神經(jīng)網(wǎng)絡(luò)的船舶運(yùn)動(dòng)極短期建模預(yù)報(bào)[A];第二屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

相關(guān)博士學(xué)位論文 前10條

1 趙永昌;一類時(shí)滯靜態(tài)遞歸神經(jīng)網(wǎng)絡(luò)的動(dòng)力學(xué)行為研究[D];中國海洋大學(xué);2010年

2 高海賓;擾動(dòng)作用下遞歸神經(jīng)網(wǎng)絡(luò)穩(wěn)定性研究[D];燕山大學(xué);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(luò)的多穩(wěn)定性分析[D];東北大學(xué);2014年

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

5 徐東坡;遞歸神經(jīng)網(wǎng)絡(luò)梯度學(xué)習(xí)算法的收斂性[D];大連理工大學(xué);2009年

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

7 王芬;遞歸神經(jīng)網(wǎng)絡(luò)的動(dòng)力學(xué)行為分析[D];武漢科技大學(xué);2011年

8 季策;時(shí)滯遞歸神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)特性研究[D];東北大學(xué);2005年

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

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

相關(guān)碩士學(xué)位論文 前10條

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

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

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

4 崔志超;基于產(chǎn)品特征的中文評(píng)論情感分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];河北科技大學(xué);2015年

5 余仕敏;基于遞歸神經(jīng)網(wǎng)絡(luò)的廣告點(diǎn)擊率預(yù)估[D];浙江理工大學(xué);2016年

6 宛立達(dá);基于振動(dòng)信號(hào)分析的故障診斷理論與應(yīng)用[D];東北石油大學(xué);2010年

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

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

9 曹成遠(yuǎn);基于深度學(xué)習(xí)的蛋白質(zhì)殘基相互作用預(yù)測(cè)[D];蘇州大學(xué);2016年

10 梁軍;基于深度學(xué)習(xí)的文本特征表示及分類應(yīng)用[D];鄭州大學(xué);2016年

，

本文編號(hào)：1644316