[发明专利]一种工业过程主元分析与神经网络优化建模方法

摘要

本发明公开了一种工业过程主元分析与神经网络优化建模方法。本发明首先使用主成分分析中的随机变量准测函数来选择变量，然后使用非支配排序遗传算法解决神经网络建模问题。最后将本发明所提出的方法与实际的工业过程即焦炉炉内压力控制相结合，结果显示本发明所提出的方法具有较高的数据提取精度。本发明的技术方案是通过数据采集、变量选择、模型建立、迭代控制、优化等手段，确立了一种工业过程主元分析与神经网络优化建模方法，提高了数据提取精度，增强了监测性能。

主权项

1.一种工业过程主元分析与神经网络优化建模方法，其特征在于该方法具体是：步骤1.设计基于主成分分析的径向基函数神经网络模型；具体是：1.1确定进行主成分分析的变量选择的随机变量准则，给定子集P的最优解相当于最大化随机变量准则；式中，S表示全数据矩阵X的协方差矩阵，S²表示协方差矩阵与其本身的乘积；S_P表示S中的与P中选中变量相关的p×p子矩阵，表示S²中的与P中选中变量相关的p×p子矩阵，tr表示求秩；1.2如果选中P中的所有变量，则步骤1中的f1会达到最大值1；由于要求f1的最大值，所以目标就变成了求下式中的最小值；一旦所选择的变量按照J1来确定，它们将被用作过程模型的输入；1.3建立径向基函数神经网络模型：一个三层的径向基函数神经网络从下往上，依次是输入层，隐藏层，输出层；其中φ_i(||x||)是高斯核函数在隐藏层中第i个神经元输出；||x‑c_i||是x和c_i之间的欧氏距离，分别是高斯函数的中心向量和宽度；1.4步骤1.3中径向基函数神经网络的预测值表示为nh个隐藏函数的线性加权：式中，1.5给定N1个训练数据作为样本，则Y1＝[y1(1),…,y1(N1)]，U＝[u(1),…,u(N1)]，权重系数使用递归最小二乘法计算；式中，0<μ<1是遗忘因子，P(k)是正定协方差矩阵，P(0)＝α2I，I是一个(n+m)×(n+m)单位矩阵，α是一个足够大的实数，ω(0)＝ε，ε是一个足够小的实向量集；K(k)是一个权重矩阵；1.6一旦径向基核函数神经网络被训练，根据训练和测试数据的均方根误差来评估建模的精度；式中，y2(k),k＝1,...,N2是测试数据；步骤2：将非支配排序遗传算法用于径向基核函数神经网络的优化；2.1将输入层中的n设置为2，输入变量的m设置为1；初始化种群大小NP，最大代数G，运算符概率Pc,Pm，系统参数umin,umax,ymin,ymax，然后随机生成NP个染色体，第i条染色体表示如下：式中，1σj＝rwmax 1≤j≤nh式中，其中r是在[0.01,1]中随机生成的，umin和umax是输入的最小值和最大值，ymin和ymax是输出的最小值和最大值；wmax是高斯基函数设置为max(umax，ymax)的最大宽度；2.2根据步骤1.2中的公式选择变量并计算J1，然后根据步骤1.3到1.5构造径向基核函数神经网络并获得J2的值；2.3实施非支配排序遗传算法，获得排名和拥挤距离；第一等级被作为父代，然后忽略第一等级，继续将剩余的种群进行排序，第二次排序的第一等级依然化为父类，直到超过种群规模；2.4用Pc和Pm实现交叉和变异算子，然后延长和修剪算子；2.5重复步骤2.2至2.4，直到G被满足。