基于非线性主元提取的增强型极限学习机模型及其在化工领域中的应用

发布时间：2017-07-01 02:11

  本文关键词：基于非线性主元提取的增强型极限学习机模型及其在化工领域中的应用，，由笔耕文化传播整理发布。

【摘要】：很多领域已经应用了前馈型神经网络的学习算法,但是由于多数基于梯度下降的学习算法的参数需要进行重复迭代训练,且算法很容易陷入局部最小值点,使得多数基于梯度下降的学习算法不能满足实际要求。针对单隐含层前馈神经网络结构(SLFNs)存在的一些问题,2005年,黄广斌等人针对提出了一种新的学习算法。该算法针对解决传统单隐含层前馈神经网络存在的上述问题,并命名为极限学习机算法(简称为ELM)。极限学习机的网络结构由一个输入层,单隐含层以及一个输出层构成。与其他的学习算法不同之处在于,ELM任意设定输入权值和网络隐含层节点阈值,然后通过Moore-Penrose广义逆的求解方法求取网络隐含层输出矩阵,最终获得连接网络隐含层与网络输出层的权值。ELM学习算法除了预先设定网络结构外无需设定其他参数,容易使用,且学习速度较传统前馈学习算法快近几千倍,除此之外,ELM学习算法具有良好的泛化性能。但是,随着现代工业过程的越来越复杂,变量之间相互耦合,操作单元之间不独立,使得工业数据呈现高维度,强相关,高度非线性等特点。在处理复杂、大规模、非线性系统的建模任务时,极限学习机需要较大规模才能满足需求,实用性较差。针对该问题,本文研究了基于主元分析的方法对输入数据进行降维处理,以达到简化网络的目的,本论文主要分为以下两方面：(1) 针对化工过程中的高维数据建模,对传统的极限学习机做出改进,建立了基于主元分析方法的极限学习机改进模型。极限学习机算法的研究中,发现在网络的输出矩阵H满足列满秩条件时,连接网络隐含层与网络输出层之问的权值β才存在解。本文通过提取输入信息中的主元变量,用提取的主元信息作为极限学习机模型的输入,由此构成了基于主元分析的极限学习机算法(PCA-ELM),以提高传统的极限学习机在解决实际化工过程的高维数据建模问题的能力。并通过UCI标准数据集Triazines数据集和Concrete Slump Test Data(CSTD)数据集进行回归测试,用Ionosphere数据集进行分类验证。用高密度聚乙烯聚合反应过程(HDPE工艺流程)和二甲酸PTA工艺过程进行仿真试验。改进网络模型的仿真结果与传统的极限学习机算法仿真结果进行了对比,对比结果表明改进的极限学习算法模型具有模型结构较为简单,建模精度更高,稳定性更好等优点。(2) 随着现代化工过程越来越复杂,变量之间相关性较强,模型的输入变量与模型的输出变量之间的关系通常呈现为强非线性的关系,而PCA从输入数据中提取的为线性主元,限制了网络的性能。为了提高极限学习机在复杂化工过程当中的应用能力,本文建立了基于非线性主元变量提取的增强型极限学习机,模型沿用文献中已有的正负属性导向的输入结构,然后采用输入训练神经网络提取非线性主元变量,并将所提取的非线性信息输入到网络模型的输出节点上,最终形成了基于非线性主元变量的增强型极限学习机(NPCs-IELM)模型。为了验证改进模型的有效性,首先用UCI数据集Housing数据集进行了验证,然后将改进的模型用于化工仿真过程：田纳西州伊士曼Tennessee Eastman (TE)过程以及高密度聚乙烯(HDPE)过程。将NPCs-IELM的验证结果与ELM, IELM, PCA-IELM以及Kernel-ELM进行了对比,结果表明改进的NPCs-IELM网络模型更加稳定,具有更高的精度。
【关键词】：极限学习机 主元分析方法 输入训练神经网络 过程建模
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TQ015.9;TP18
【目录】：

• 摘要4-7
• ABSTRACT7-14
• 第一章 绪论14-18
• 1.1 课题来源14
• 1.2 人工神经网络技术发展与现状14-15
• 1.3 前馈神经网络学习算法15-17
• 1.3.1 前馈神经网络概念15-16
• 1.3.2 单隐含层前馈神经网络的学习算法16-17
• 1.4 课题研究内容与创新17-18
• 第二章 极限学习机18-22
• 2.1 引言18
• 2.2 极限学习机18-19
• 2.2.1 极限学习机的基本概念18
• 2.2.2 极限学习机国内外研究现状18-19
• 2.3 极限学习机算法19-20
• 2.4 极限学习机算法流程图20-21
• 2.5 极限学习机优缺点21
• 2.6 本章小结21-22
• 第三章 基于主元分析的极限学习机学习算法22-36
• 3.1 引言22
• 3.2 主元分析方法简介22-23
• 3.3 基于PCA的ELM学习算法23-26
• 3.3.1 ELM算法研究23-24
• 3.3.2 基于PCA的ELM学习算法24-25
• 3.3.3 PCA-ELM模型的建模步骤25-26
• 3.4 实验验证26-34
• 3.4.1 用于回归的数据验证26-32
• 3.4.2 用于分类的数据集验证32-34
• 3.5 本章小结34-36
• 第四章 基于非线性主元提取的增强型极限学习机模型36-56
• 4.1 引言36-37
• 4.2 输入训练神经网络37-39
• 4.2.1 非线性主元分析方法简介37
• 4.2.2 输入训练神经网络37-39
• 4.3 基于非线性主元提取的增强型极限学习机模型的提出与建立39-42
• 4.4 实验验证42-54
• 4.4.1 Housing数据集43-46
• 4.4.2 TE过程数据集46-51
• 4.4.3 HDPE过程数据集51-54
• 4.5 本章小结54-56
• 第五章 总结与展望56-58
• 5.1 工作总结56-57
• 5.2 工作展望57-58
• 参考文献58-62
• 致谢62-64
• 研究成果及发表的学术论文64-66
• 作者和导师简介66-68
• 附件68-69

【相似文献】

中国期刊全文数据库 前10条

1 王海清,蒋宁;主元空间中的故障重构方法研究[J];化工学报;2004年08期

2 王海清,余世明;基于故障诊断性能优化的主元个数选取方法[J];化工学报;2004年02期

3 王海清,蒋宁;主元空间中的故障分离与识别方法[J];化工学报;2005年04期

4 赵忠盖;刘飞;;工业过程核概率主元模型建立及监控指标[J];华东理工大学学报(自然科学版);2006年07期

5 李忠丽;孙宏飞;高鹏;燕友增;郭娜娜;;新型多主元高熵合金的研究进展[J];新技术新工艺;2010年08期

6 张新荣;徐保国;;基于主元空间数据重构的传感器故障识别及应用[J];化工自动化及仪表;2011年01期

7 肖应旺;徐保国;;基于改进PCA的正常工况改变与过程故障识别方法[J];计算机与应用化学;2007年02期

8 黄晓霞;王晶;;稀疏矩阵求逆算法及其在微机上的实现[J];武钢技术;1991年09期

9 肖应旺;姚美银;;基于主元子空间故障重构技术的故障诊断研究[J];计算机与应用化学;2008年01期

10 ;[J];;年期

中国硕士学位论文全文数据库 前5条

1 郭家豪;基于可解释变异性的主元选取方法[D];华北电力大学(北京);2016年

2 薛正林;基于主元加权的病态线性方程组算法研究[D];四川师范大学;2016年

3 王晓;基于非线性主元提取的增强型极限学习机模型及其在化工领域中的应用[D];北京化工大学;2016年

4 刘伟锋;水利水电工程施工系统分析与动态模拟[D];西安理工大学;2000年

5 刘志鹏;基于振动信号的滚动轴承状态监测与诊断方法研究[D];沈阳航空航天大学;2015年

  本文关键词：基于非线性主元提取的增强型极限学习机模型及其在化工领域中的应用，由笔耕文化传播整理发布。

本文编号：504251