基于神经网络和最小二乘支持向量机的软测量技术应用研究

  先进控制技术对提高流程企业的市场竞争力有着至关重要的作用，自九十年代以来已在国内炼油企业被广泛应用。而产品质量控制是所有控制的核心，为实现良好的质量控制，必须及时获得产品质量或与产品质量密切相关的重要过程变量的信息。然而由于获得这些信息的在线分析仪表不仅价格昂贵，维护保养复杂，而且由于其分析的滞后性，最终将导致控制系统性能下降，难以满足生产要求。为解决这一矛盾，近年来软测量技术获得了很大的发展，成为先进控制技术的核心部分之一。软测量的基本思想是对于一些难于测量或暂时不能测量的重要变量(主导变量)，选择另外一些容易测量的变量(辅助变量)，通过构造某种数学关系来推断和估计。这类方法具有响应迅速，连续给出主导变量信息，且具有投资低、维护保养简单等优点，可以在提高产品质量的同时降低生产成本，因此被国际著名过程控制专家Mcavoy教授列为未来控制领域需要研究的几大方向之一。 实际炼油过程的复杂性、非线性和时变性，以及过程控制的实时性要求决定了难以建立机理软测量模型，且软测量模型应该具有非线性和快速在线自动校正的能力。因此，本文利用神经网络和最小二乘支持向量机(least squares supportvector machine．LSSVM)等经验建模方法，在某厂生产现场数据的基础上，主要进行了以下工作： (1)分析和研究了多种神经网络的原理和基本算法，并经比较各自优缺点后，认为径向机网络更适合于进行软测量建模。在详细研究了误差反传神经网络和径向机网络的训练算法和网络结构选择的原则的基础上，用其建立了常压塔塔顶汽油干点的软测量模型，结果表明用此算法建立软测量模型的预测精度满足实际生产的需要。 (2)系统研究了最小二乘支持向量机(least squares support vector machine，LSSVM)的原理和训练算法，且针对LSSVM超参数选择问题，研究了选择LSSVM回归模型超参数的G-LSSVM算法的基本原理和使用方法，并用一个函数回归测试问题证明了G-LSSVM模型的有效性，最后将G-LSSVM模型应用到了常压塔塔顶汽油干点的软测量中，结果表明G-LSSVM模型预测精度能够满足实际生产需要，而且避免了BP网络难以选择合适结构和局部极小点问题。 (3)深入研究和分析了LSSVM的增量在线训练算法，并指出其缺点：必须对核函数矩阵做调整方能进行增量矩阵求逆。根据矩阵计算理论，通过对原核函数矩阵逆的修正而非通过其增量矩阵逆的修正，提出了LssVM的非增量在线训练算法，并将其用于常压塔汽油干点软测量建模，以适应实际生产中模型实时变化的情况，，结果表明，所提出的模型能够快速进行在线训练以适应生产条件的变化，且预测效果良好。

【学位授予单位】：青岛科技大学
【学位级别】：硕士
【学位授予年份】：2007
【分类号】：TE622
【目录】：

• 摘要3-5
• ABSTRACT5-9
• 符号说明9-11
• 第一章 文献综述11-24
• 1.1 软测量技术简述11-13
• 1.2 软测量的数学描述13
• 1.3 软测量建模方法13-19
• 1.3.1 最小二乘法15-16
• 1.3.2 主元回归法16
• 1.3.3 部分最小二乘法16-17
• 1.3.4 人工神经网络法17-18
• 1.3.5 最小二乘支持向量机法18-19
• 1.4 影响软测量模型性能的主要因素19-21
• 1.4.1 建摸方法的选择19
• 1.4.2 辅助变量的选择19-20
• 1.4.3 数据的预处理20-21
• 1.5 软测量模型的维护21
• 1.6 本文主要内容21-24
• 第二章 神经网络用于软测量的研究24-43
• 2.1 基于神经网络的软测量技术概述24
• 2.2 人工神经网络分类24-25
• 2.3 人工神经网络模型简介25-29
• 2.3.1 人工神经元26-27
• 2.3.2 网络结构27-28
• 2.3.3 神经网络的学习和训练规则28
• 2.3.4 神经网络的特点28-29
• 2.4 前向神经网络模型29-39
• 2.4.1 前向神经网络29
• 2.4.2 BP神经网络算法29-31
• 2.4.3 BP算法的缺点31
• 2.4.4 BP算法的改进31-36
• 2.4.5 RBF神经网络36-39
• 2.5 研究实例39-42
• 2.5.1 工艺流程简述39-40
• 2.5.2 基于神经网络的汽油干点软测量40-41
• 2.5.3 基于RBF神经网络的软测量41-42
• 2.5.4 BP神经网络和RBF神经网络的比较42
• 2.5.5 误差分析42
• 2.6 本章小结42-43
• 第三章 基于最小二乘支持向量机的软测量研究43-68
• 3.1 支持向量机的研究背景43-45
• 3.1.1 统计学习理论简介44-45
• 3.2 支持向量机原理45-51
• 3.2.1 用于线性分类的支持向量机46-48
• 3.2.2 用于线性函数回归估计的支持向量机48-49
• 3.2.3 核函数技术49-50
• 3.2.4 非线性支持向量机50-51
• 3.3 SVM在实际应用中的若干问题51-52
• 3.3.1 高维数据的降维51
• 3.3.2 SVM超参数的确定51-52
• 3.3.3 SVM的训练算法52
• 3.4 最小二乘支持向量机(LSSVM)原理52-57
• 3.4.1 两类LSSVM分类器53-54
• 3.4.2 多类LSSVM分类器54-55
• 3.4.3 用于函数回归估计的LSSVM55-57
• 3.5 海量样本的LSSVM训练算法57
• 3.6 LSSVM超参数选择57-66
• 3.6.1 算法原理和步骤60-63
• 3.6.2 算法测试63-66
• 3.7 实例应用66-67
• 3.7.1 与基于神经网络软测量的实例比较66-67
• 3.8 本章小结67-68
• 第四章 最小二乘支持向量机的在线式学习算法68-79
• 4.1 增量式学习算法68-73
• 4.2 在线学习算法73-77
• 4.2.1 基于增量式的在线学习算法73-76
• 4.2.2 提出的非增量式在线训练算法76-77
• 4.3 实例分析77-78
• 4.4 本章小结78-79
• 结论79-80
• 参考文献80-84
• 致谢84-85
• 攻读学位期间发表的学术论文目录85-86

【引证文献】

中国期刊全文数据库 前1条

1 何心;;基于数据融合的烟气含氧量软测量技术综述[J];工业锅炉;2012年06期

【参考文献】

中国期刊全文数据库 前10条

1 阎平凡;人工神经网络的容量、学习与计算复杂性[J];电子学报;1995年05期

2 宋晓峰,俞欢军,陈德钊,胡上序;藉助自适应支持向量机为延迟焦化反应过程建模[J];化工学报;2004年01期

3 毛帅,熊智华,徐用懋,庄爱霞,黄海龙,王立群;基于神经网络的常压塔柴油凝点软测量的研究与应用[J];化工自动化及仪表;2005年03期

4 曹玉波;黄河清;翟玉文;王雪晶;;重整加氢汽油干点软测量应用研究[J];吉林化工学院学报;2006年01期

5 宋晓峰;陈德钊;俞欢军;胡上序;;支持向量机中优化算法[J];计算机科学;2003年03期

6 范磊;张运陶;;基于LSSVM实现CO_2转化率的软测量建模[J];计算机与应用化学;2006年01期

7 王旭东,邵惠鹤;RBF神经元网络在非线性系统建模中的应用[J];控制理论与应用;1997年01期

8 孙欣,王金春,何声亮;基于神经网络的粗汽油干点的实时估计[J];炼油化工自动化;1996年05期

9 赵晓光;何小荣;陈丙珍;;神经元网络用于建立油品质量模型的研究[J];石油炼制与化工;1993年09期

10 阎威武,朱宏栋,邵惠鹤;基于最小二乘支持向量机的软测量建模[J];系统仿真学报;2003年10期