發(fā)布時間：2021-10-27 05:07

　　隨著現(xiàn)代化工過程對生產(chǎn)質(zhì)量的訴求不斷提高,先進傳感器設(shè)備和測量技術(shù)被引入到復雜的化工控制系統(tǒng)中,獲得化工過程中越來越詳細的過程數(shù)據(jù)信息,但是對提高生產(chǎn)質(zhì)量的一些關(guān)鍵變量仍然不能直接測量得到。因此,如何利用已有的過程變量預測這些關(guān)鍵變量成為一個亟待解決的問題。在這種背景下,人工神經(jīng)網(wǎng)絡的預測方法在化工過程中被廣泛使用。徑向基（RBF）神經(jīng)網(wǎng)絡是人工神經(jīng)網(wǎng)絡中最常使用的預測模型,它具有單隱層的三層前饋神經(jīng)網(wǎng)絡結(jié)構(gòu),與其他前饋神經(jīng)網(wǎng)絡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,對化工過程中的關(guān)鍵變量進行預測。隨著現(xiàn)代化工過程中產(chǎn)生的數(shù)據(jù)量越來越大,非線性越來越強,對RBF神經(jīng)網(wǎng)絡中所涉及的相關(guān)參數(shù)沒有較好優(yōu)化,從而導致對關(guān)鍵變量的預測性能不能達到現(xiàn)代化工過程的要求,為了解決以上問題,本文對過程數(shù)據(jù)進行預處理,并將傳統(tǒng)RBF神經(jīng)網(wǎng)絡進行優(yōu)化,主要研究內(nèi)容如下:（1）針對RBF神經(jīng)網(wǎng)絡沒有對相關(guān)參數(shù)較好優(yōu)化,導致預測性能較差的情況,提出了基于PCA的LM-GA優(yōu)化RBF神經(jīng)網(wǎng)絡的預測方法。首先使用主成分分析（PCA）方法對輸入到神經(jīng)網(wǎng)絡的過程變量進行預處理,其次主要利用Le... 

【文章來源】：杭州電子科技大學浙江省

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【部分圖文】：

人工神經(jīng)網(wǎng)絡模擬圖

杭州電子科技大學碩士學位論文14圖2.1人工神經(jīng)網(wǎng)絡模擬圖人工神經(jīng)網(wǎng)絡的理論是受動物腦神經(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)學模型的分布式并行處理算法的神經(jīng)網(wǎng)絡。該網(wǎng)絡通過調(diào)整相互連接節(jié)點之間的關(guān)系來達到處理信息的目的，并且具有自適應和自學習能力。人工神經(jīng)網(wǎng)絡是一種監(jiān)督學習算法，它利用多個參數(shù)的混合來處理近似輸入和輸出之間的復雜關(guān)系，目前人工神經(jīng)網(wǎng)絡已經(jīng)廣泛應用于模型識別與預測等相關(guān)技術(shù)領(lǐng)域中[77]。2.4.1人工神經(jīng)網(wǎng)絡模型神經(jīng)網(wǎng)絡的產(chǎn)生源于所有事物并非都可以通過線性或邏輯回歸來近似數(shù)據(jù)中可能存在的復雜模型，函數(shù)的復雜性和預測能力是息息相關(guān)的。神經(jīng)網(wǎng)絡的典型結(jié)構(gòu)如下圖所示：圖2.2人工神經(jīng)網(wǎng)絡結(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測輸出層的自變量，在預測問題上，輸出層中將只有一個節(jié)點，而在其他問題上，輸出層包含的節(jié)點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)，單個隱含層神經(jīng)元輸出形式如下圖所示：

杭州電子科技大學碩士學位論文15圖2.3隱含層神經(jīng)元輸出圖其中輸入是由多個自變量組成的，為每個自變量賦予每個權(quán)重值，權(quán)值越大表示輸入信號對神經(jīng)元影響越大，通過調(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)上應用的激活函數(shù)，能夠處理相應的非線性操作，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)絡學習算法人工神經(jīng)網(wǎng)絡的學習也可稱為訓練，能夠在外部環(huán)境的作用下對神經(jīng)網(wǎng)絡的參數(shù)進行調(diào)整，并以一種新的方式去適應外部環(huán)境。神經(jīng)網(wǎng)絡的性質(zhì)就是在外部環(huán)境中訓練并提高自身性能。在構(gòu)造神經(jīng)網(wǎng)絡時，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)絡輸出的大小，只能通過改變加權(quán)求和的輸入來達到目的。由于神經(jīng)元只能對網(wǎng)絡的輸入信號進行處理，想要改變網(wǎng)絡的加權(quán)輸入就只能修改網(wǎng)絡神經(jīng)元的權(quán)值參數(shù)，因此神經(jīng)網(wǎng)絡的學習就是改變權(quán)值矩陣的過程。人工神經(jīng)網(wǎng)絡的學習算法是根據(jù)輸出層是否需要對比實際輸出來分類的，主要分為：無導師學習，如Hebb學習、基于記憶的學習等；有導師學習，如糾錯學習、競爭學習、隨機學習等[17-19]。

【參考文獻】：
期刊論文
[1]基于GABP算法的化工設(shè)備設(shè)計人工時預測[J]. 戴健偉,吉華,楊崗,樊剛,王彬.  計算機集成制造系統(tǒng). 2013(07)
[2]PCA和GA-PSO-RBF集成的發(fā)電機組遠程故障診斷[J]. 錢玉良,張浩,彭道剛,徐春梅.  電子測量與儀器學報. 2012(07)
[3]人工神經(jīng)網(wǎng)絡的發(fā)展及應用[J]. 毛健,趙紅東,姚婧婧.  電子設(shè)計工程. 2011(24)
[4]改進PSO優(yōu)化BP神經(jīng)網(wǎng)絡的混沌時間序列預測[J]. 李松,劉力軍,劉穎鵬.  計算機工程與應用. 2013(06)
[5]基于PCA-RBF神經(jīng)網(wǎng)絡的煙田土壤水分預測[J]. 陳昌華,譚俊,尹健康,張飛,姚進.  農(nóng)業(yè)工程學報. 2010(08)
[6]多子群遺傳神經(jīng)網(wǎng)絡模型用于路口短時交通流量預測[J]. 劉漢麗,周成虎,朱阿興,李霖.  測繪學報. 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)計模式識別中的維數(shù)削減與低損降維[J]. 宋楓溪,高秀梅,劉樹海,楊靜宇.  計算機學報. 2005(11)



本文編號：3460934