本文關鍵詞：基于非線性主元提取的增強型極限學習機模型及其在化工領域中的應用，，由筆耕文化傳播整理發(fā)布。

【摘要】：很多領域已經(jīng)應用了前饋型神經(jīng)網(wǎng)絡的學習算法,但是由于多數(shù)基于梯度下降的學習算法的參數(shù)需要進行重復迭代訓練,且算法很容易陷入局部最小值點,使得多數(shù)基于梯度下降的學習算法不能滿足實際要求。針對單隱含層前饋神經(jīng)網(wǎng)絡結構(SLFNs)存在的一些問題,2005年,黃廣斌等人針對提出了一種新的學習算法。該算法針對解決傳統(tǒng)單隱含層前饋神經(jīng)網(wǎng)絡存在的上述問題,并命名為極限學習機算法(簡稱為ELM)。極限學習機的網(wǎng)絡結構由一個輸入層,單隱含層以及一個輸出層構成。與其他的學習算法不同之處在于,ELM任意設定輸入權值和網(wǎng)絡隱含層節(jié)點閾值,然后通過Moore-Penrose廣義逆的求解方法求取網(wǎng)絡隱含層輸出矩陣,最終獲得連接網(wǎng)絡隱含層與網(wǎng)絡輸出層的權值。ELM學習算法除了預先設定網(wǎng)絡結構外無需設定其他參數(shù),容易使用,且學習速度較傳統(tǒng)前饋學習算法快近幾千倍,除此之外,ELM學習算法具有良好的泛化性能。但是,隨著現(xiàn)代工業(yè)過程的越來越復雜,變量之間相互耦合,操作單元之間不獨立,使得工業(yè)數(shù)據(jù)呈現(xiàn)高維度,強相關,高度非線性等特點。在處理復雜、大規(guī)模、非線性系統(tǒng)的建模任務時,極限學習機需要較大規(guī)模才能滿足需求,實用性較差。針對該問題,本文研究了基于主元分析的方法對輸入數(shù)據(jù)進行降維處理,以達到簡化網(wǎng)絡的目的,本論文主要分為以下兩方面：(1) 針對化工過程中的高維數(shù)據(jù)建模,對傳統(tǒng)的極限學習機做出改進,建立了基于主元分析方法的極限學習機改進模型。極限學習機算法的研究中,發(fā)現(xiàn)在網(wǎng)絡的輸出矩陣H滿足列滿秩條件時,連接網(wǎng)絡隱含層與網(wǎng)絡輸出層之問的權值β才存在解。本文通過提取輸入信息中的主元變量,用提取的主元信息作為極限學習機模型的輸入,由此構成了基于主元分析的極限學習機算法(PCA-ELM),以提高傳統(tǒng)的極限學習機在解決實際化工過程的高維數(shù)據(jù)建模問題的能力。并通過UCI標準數(shù)據(jù)集Triazines數(shù)據(jù)集和Concrete Slump Test Data(CSTD)數(shù)據(jù)集進行回歸測試,用Ionosphere數(shù)據(jù)集進行分類驗證。用高密度聚乙烯聚合反應過程(HDPE工藝流程)和二甲酸PTA工藝過程進行仿真試驗。改進網(wǎng)絡模型的仿真結果與傳統(tǒng)的極限學習機算法仿真結果進行了對比,對比結果表明改進的極限學習算法模型具有模型結構較為簡單,建模精度更高,穩(wěn)定性更好等優(yōu)點。(2) 隨著現(xiàn)代化工過程越來越復雜,變量之間相關性較強,模型的輸入變量與模型的輸出變量之間的關系通常呈現(xiàn)為強非線性的關系,而PCA從輸入數(shù)據(jù)中提取的為線性主元,限制了網(wǎng)絡的性能。為了提高極限學習機在復雜化工過程當中的應用能力,本文建立了基于非線性主元變量提取的增強型極限學習機,模型沿用文獻中已有的正負屬性導向的輸入結構,然后采用輸入訓練神經(jīng)網(wǎng)絡提取非線性主元變量,并將所提取的非線性信息輸入到網(wǎng)絡模型的輸出節(jié)點上,最終形成了基于非線性主元變量的增強型極限學習機(NPCs-IELM)模型。為了驗證改進模型的有效性,首先用UCI數(shù)據(jù)集Housing數(shù)據(jù)集進行了驗證,然后將改進的模型用于化工仿真過程：田納西州伊士曼Tennessee Eastman (TE)過程以及高密度聚乙烯(HDPE)過程。將NPCs-IELM的驗證結果與ELM, IELM, PCA-IELM以及Kernel-ELM進行了對比,結果表明改進的NPCs-IELM網(wǎng)絡模型更加穩(wěn)定,具有更高的精度。
【關鍵詞】：極限學習機 主元分析方法 輸入訓練神經(jīng)網(wǎng)絡 過程建模
【學位授予單位】：北京化工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TQ015.9;TP18
【目錄】：

• 摘要4-7
• ABSTRACT7-14
• 第一章 緒論14-18
• 1.1 課題來源14
• 1.2 人工神經(jīng)網(wǎng)絡技術發(fā)展與現(xiàn)狀14-15
• 1.3 前饋神經(jīng)網(wǎng)絡學習算法15-17
• 1.3.1 前饋神經(jīng)網(wǎng)絡概念15-16
• 1.3.2 單隱含層前饋神經(jīng)網(wǎng)絡的學習算法16-17
• 1.4 課題研究內(nèi)容與創(chuàng)新17-18
• 第二章 極限學習機18-22
• 2.1 引言18
• 2.2 極限學習機18-19
• 2.2.1 極限學習機的基本概念18
• 2.2.2 極限學習機國內(nèi)外研究現(xiàn)狀18-19
• 2.3 極限學習機算法19-20
• 2.4 極限學習機算法流程圖20-21
• 2.5 極限學習機優(yōu)缺點21
• 2.6 本章小結21-22
• 第三章 基于主元分析的極限學習機學習算法22-36
• 3.1 引言22
• 3.2 主元分析方法簡介22-23
• 3.3 基于PCA的ELM學習算法23-26
• 3.3.1 ELM算法研究23-24
• 3.3.2 基于PCA的ELM學習算法24-25
• 3.3.3 PCA-ELM模型的建模步驟25-26
• 3.4 實驗驗證26-34
• 3.4.1 用于回歸的數(shù)據(jù)驗證26-32
• 3.4.2 用于分類的數(shù)據(jù)集驗證32-34
• 3.5 本章小結34-36
• 第四章 基于非線性主元提取的增強型極限學習機模型36-56
• 4.1 引言36-37
• 4.2 輸入訓練神經(jīng)網(wǎng)絡37-39
• 4.2.1 非線性主元分析方法簡介37
• 4.2.2 輸入訓練神經(jīng)網(wǎng)絡37-39
• 4.3 基于非線性主元提取的增強型極限學習機模型的提出與建立39-42
• 4.4 實驗驗證42-54
• 4.4.1 Housing數(shù)據(jù)集43-46
• 4.4.2 TE過程數(shù)據(jù)集46-51
• 4.4.3 HDPE過程數(shù)據(jù)集51-54
• 4.5 本章小結54-56
• 第五章 總結與展望56-58
• 5.1 工作總結56-57
• 5.2 工作展望57-58
• 參考文獻58-62
• 致謝62-64
• 研究成果及發(fā)表的學術論文64-66
• 作者和導師簡介66-68
• 附件68-69

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王海清,蔣寧;主元空間中的故障重構方法研究[J];化工學報;2004年08期

2 王海清,余世明;基于故障診斷性能優(yōu)化的主元個數(shù)選取方法[J];化工學報;2004年02期

3 王海清,蔣寧;主元空間中的故障分離與識別方法[J];化工學報;2005年04期

4 趙忠蓋;劉飛;;工業(yè)過程核概率主元模型建立及監(jiān)控指標[J];華東理工大學學報(自然科學版);2006年07期

5 李忠麗;孫宏飛;高鵬;燕友增;郭娜娜;;新型多主元高熵合金的研究進展[J];新技術新工藝;2010年08期

6 張新榮;徐保國;;基于主元空間數(shù)據(jù)重構的傳感器故障識別及應用[J];化工自動化及儀表;2011年01期

7 肖應旺;徐保國;;基于改進PCA的正常工況改變與過程故障識別方法[J];計算機與應用化學;2007年02期

8 黃曉霞;王晶;;稀疏矩陣求逆算法及其在微機上的實現(xiàn)[J];武鋼技術;1991年09期

9 肖應旺;姚美銀;;基于主元子空間故障重構技術的故障診斷研究[J];計算機與應用化學;2008年01期

10 ;[J];;年期

中國碩士學位論文全文數(shù)據(jù)庫 前5條

1 郭家豪;基于可解釋變異性的主元選取方法[D];華北電力大學(北京);2016年

2 薛正林;基于主元加權的病態(tài)線性方程組算法研究[D];四川師范大學;2016年

3 王曉;基于非線性主元提取的增強型極限學習機模型及其在化工領域中的應用[D];北京化工大學;2016年

4 劉偉鋒;水利水電工程施工系統(tǒng)分析與動態(tài)模擬[D];西安理工大學;2000年

5 劉志鵬;基于振動信號的滾動軸承狀態(tài)監(jiān)測與診斷方法研究[D];沈陽航空航天大學;2015年

  本文關鍵詞：基于非線性主元提取的增強型極限學習機模型及其在化工領域中的應用，由筆耕文化傳播整理發(fā)布。

本文編號：504251