基于PCA的RBF神经网络混合优化预测
发布时间：2021-10-27 05:07
随着现代化工过程对生产质量的诉求不断提高,先进传感器设备和测量技术被引入到复杂的化工控制系统中,获得化工过程中越来越详细的过程数据信息,但是对提高生产质量的一些关键变量仍然不能直接测量得到。因此,如何利用已有的过程变量预测这些关键变量成为一个亟待解决的问题。在这种背景下,人工神经网络的预测方法在化工过程中被广泛使用。径向基（RBF）神经网络是人工神经网络中最常使用的预测模型,它具有单隐层的三层前馈神经网络结构,与其他前馈神经网络不同的是具有全局最优和最佳逼近特性,它能够建立变量之间的关系模型,对化工过程中的关键变量进行预测。随着现代化工过程中产生的数据量越来越大,非线性越来越强,对RBF神经网络中所涉及的相关参数没有较好优化,从而导致对关键变量的预测性能不能达到现代化工过程的要求,为了解决以上问题,本文对过程数据进行预处理,并将传统RBF神经网络进行优化,主要研究内容如下:（1）针对RBF神经网络没有对相关参数较好优化,导致预测性能较差的情况,提出了基于PCA的LM-GA优化RBF神经网络的预测方法。首先使用主成分分析（PCA）方法对输入到神经网络的过程变量进行预处理,其次主要利用Le...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
人工神经网络模拟图
杭州电子科技大学硕士学位论文14图2.1人工神经网络模拟图人工神经网络的理论是受动物脑神经元结构及其处理大量信息能力的启发，它是一种模仿数学模型的分布式并行处理算法的神经网络。该网络通过调整相互连接节点之间的关系来达到处理信息的目的，并且具有自适应和自学习能力。人工神经网络是一种监督学习算法，它利用多个参数的混合来处理近似输入和输出之间的复杂关系，目前人工神经网络已经广泛应用于模型识别与预测等相关技术领域中[77]。2.4.1人工神经网络模型神经网络的产生源于所有事物并非都可以通过线性或逻辑回归来近似数据中可能存在的复杂模型，函数的复杂性和预测能力是息息相关的。神经网络的典型结构如下图所示：图2.2人工神经网络结构图其中，图中第一层为输入层，中间两层为隐含层，最后一层为输出层。输入层通常是用于预测输出层的自变量，在预测问题上，输出层中将只有一个节点，而在其他问题上，输出层包含的节点与自变量不同类别的数量相同，隐含层用于将输入变量转化为高阶函数，单个隐含层神经元输出形式如下图所示：
杭州电子科技大学硕士学位论文15图2.3隐含层神经元输出图其中输入是由多个自变量组成的，为每个自变量赋予每个权重值，权值越大表示输入信号对神经元影响越大，通过调整权值可以得到固定输入下需要的输出值。隐含层中包含激活函数，则激活函数表示如下：=∑=0(2.30)其中，是输入变量，=1,2,…,，是层和层之间连接的权值。上面的函数展示的是在求和基础上应用的激活函数，能够处理相应的非线性操作，下面是我们常用的激活函数形式：(1)逻辑Sigmoid函数：()=11+(2.31)(2)双曲正切Tanh函数：()=+(2.32)(3)线性Relu函数：()={≥00≤0(2.33)2.4.2人工神经网络学习算法人工神经网络的学习也可称为训练，能够在外部环境的作用下对神经网络的参数进行调整，并以一种新的方式去适应外部环境。神经网络的性质就是在外部环境中训练并提高自身性能。在构造神经网络时，其神经元的激活函数就已经确定了，因此如果想要改变网络输出的大小，只能通过改变加权求和的输入来达到目的。由于神经元只能对网络的输入信号进行处理，想要改变网络的加权输入就只能修改网络神经元的权值参数，因此神经网络的学习就是改变权值矩阵的过程。人工神经网络的学习算法是根据输出层是否需要对比实际输出来分类的，主要分为：无导师学习，如Hebb学习、基于记忆的学习等；有导师学习，如纠错学习、竞争学习、随机学习等[17-19]。
【参考文献】：
期刊论文
[1]基于GABP算法的化工设备设计人工时预测[J]. 戴健伟,吉华,杨岗,樊刚,王彬. 计算机集成制造系统. 2013(07)
[2]PCA和GA-PSO-RBF集成的发电机组远程故障诊断[J]. 钱玉良,张浩,彭道刚,徐春梅. 电子测量与仪器学报. 2012(07)
[3]人工神经网络的发展及应用[J]. 毛健,赵红东,姚婧婧. 电子设计工程. 2011(24)
[4]改进PSO优化BP神经网络的混沌时间序列预测[J]. 李松,刘力军,刘颖鹏. 计算机工程与应用. 2013(06)
[5]基于PCA-RBF神经网络的烟田土壤水分预测[J]. 陈昌华,谭俊,尹健康,张飞,姚进. 农业工程学报. 2010(08)
[6]多子群遗传神经网络模型用于路口短时交通流量预测[J]. 刘汉丽,周成虎,朱阿兴,李霖. 测绘学报. 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]统计模式识别中的维数削减与低损降维[J]. 宋枫溪,高秀梅,刘树海,杨静宇. 计算机学报. 2005(11)
本文编号：3460934
【文章来源】：杭州电子科技大学浙江省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
人工神经网络模拟图
杭州电子科技大学硕士学位论文14图2.1人工神经网络模拟图人工神经网络的理论是受动物脑神经元结构及其处理大量信息能力的启发，它是一种模仿数学模型的分布式并行处理算法的神经网络。该网络通过调整相互连接节点之间的关系来达到处理信息的目的，并且具有自适应和自学习能力。人工神经网络是一种监督学习算法，它利用多个参数的混合来处理近似输入和输出之间的复杂关系，目前人工神经网络已经广泛应用于模型识别与预测等相关技术领域中[77]。2.4.1人工神经网络模型神经网络的产生源于所有事物并非都可以通过线性或逻辑回归来近似数据中可能存在的复杂模型，函数的复杂性和预测能力是息息相关的。神经网络的典型结构如下图所示：图2.2人工神经网络结构图其中，图中第一层为输入层，中间两层为隐含层，最后一层为输出层。输入层通常是用于预测输出层的自变量，在预测问题上，输出层中将只有一个节点，而在其他问题上，输出层包含的节点与自变量不同类别的数量相同，隐含层用于将输入变量转化为高阶函数，单个隐含层神经元输出形式如下图所示：
杭州电子科技大学硕士学位论文15图2.3隐含层神经元输出图其中输入是由多个自变量组成的，为每个自变量赋予每个权重值，权值越大表示输入信号对神经元影响越大，通过调整权值可以得到固定输入下需要的输出值。隐含层中包含激活函数，则激活函数表示如下：=∑=0(2.30)其中，是输入变量，=1,2,…,，是层和层之间连接的权值。上面的函数展示的是在求和基础上应用的激活函数，能够处理相应的非线性操作，下面是我们常用的激活函数形式：(1)逻辑Sigmoid函数：()=11+(2.31)(2)双曲正切Tanh函数：()=+(2.32)(3)线性Relu函数：()={≥00≤0(2.33)2.4.2人工神经网络学习算法人工神经网络的学习也可称为训练，能够在外部环境的作用下对神经网络的参数进行调整，并以一种新的方式去适应外部环境。神经网络的性质就是在外部环境中训练并提高自身性能。在构造神经网络时，其神经元的激活函数就已经确定了，因此如果想要改变网络输出的大小，只能通过改变加权求和的输入来达到目的。由于神经元只能对网络的输入信号进行处理，想要改变网络的加权输入就只能修改网络神经元的权值参数，因此神经网络的学习就是改变权值矩阵的过程。人工神经网络的学习算法是根据输出层是否需要对比实际输出来分类的，主要分为：无导师学习，如Hebb学习、基于记忆的学习等；有导师学习，如纠错学习、竞争学习、随机学习等[17-19]。
【参考文献】：
期刊论文
[1]基于GABP算法的化工设备设计人工时预测[J]. 戴健伟,吉华,杨岗,樊刚,王彬. 计算机集成制造系统. 2013(07)
[2]PCA和GA-PSO-RBF集成的发电机组远程故障诊断[J]. 钱玉良,张浩,彭道刚,徐春梅. 电子测量与仪器学报. 2012(07)
[3]人工神经网络的发展及应用[J]. 毛健,赵红东,姚婧婧. 电子设计工程. 2011(24)
[4]改进PSO优化BP神经网络的混沌时间序列预测[J]. 李松,刘力军,刘颖鹏. 计算机工程与应用. 2013(06)
[5]基于PCA-RBF神经网络的烟田土壤水分预测[J]. 陈昌华,谭俊,尹健康,张飞,姚进. 农业工程学报. 2010(08)
[6]多子群遗传神经网络模型用于路口短时交通流量预测[J]. 刘汉丽,周成虎,朱阿兴,李霖. 测绘学报. 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]统计模式识别中的维数削减与低损降维[J]. 宋枫溪,高秀梅,刘树海,杨静宇. 计算机学报. 2005(11)
本文编号：3460934
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3460934.html
