甘蔗煮糖过程主要检测参数的数据融合技术研究

论文摘要

在甘蔗煮糖过程中，过饱和度的检测一直是个难题，本文尝试采用数据融合技术解决这个问题。在数据融合的众多算法中，神经网络以其泛化能力强等优势，在数据融合中的应用日益受到重视。论文首先运用神经网络建模方法，使用现场测量的数据，建立了一个3×3×1结构的预测煮糖过程过饱和系数的BP神经网络模型，实现检测参数的融合，以便能较好解决过饱和度检测难题：针对BP算法的缺陷，采用粒子群优化算法(PSO)优化BP神经网络的连接权值，并提出一种改进的PSO算法——BWPSO(最好最差粒子群优化算法)；另外，针对LMBP算法参数μ和ν难以确定的问题，提出利用PSO算法通过粒子搜索来指导参数的选取，不必靠人工经验或反复试验选取；采用蚁群算法(ACO)优化BP神经网络的连接权值，并将PSO、ACO和BP作各种组合，提出了过饱和系数预测模型的不同训练方法；基于所获得的真实检测数据，通过比较所提出的各种融合算法的误差，挑选效果最好的组合算法预测过饱和度。最后，以LabVIEW作为开发平台，并结合MATLAB，开发了一个基于虚拟仪器技术和数据融合技术的甘蔗煮糖过程数据采集分析系统。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景
• 1.2 国内外的研究现状
• 1.3 课题研究目的及研究意义
• 1.4 课题研究的主要内容
• 1.5 论文组织结构
• 第二章 方案设计
• 2.1 存在的问题
• 2.2 参数分析
• 2.3 方案设计
• 2.4 效果分析
• 第三章 基于神经网络的数据融合
• 3.1 引言
• 3.2 BP神经网络存在的问题及原因
• 3.3 BP网络的改进——LMBP
• 3.4 甘蔗煮糖过程BP神经网络结构设计
• 3.4.1 输入层和输出层的确定
• 3.4.2 学习速率的确定
• 3.4.3 网络性能评价函数的确定
• 3.4.4 训练集与测试集的确定
• 3.4.5 隐层数和隐层节点数的确定
• 3.4.6 训练方法的确定
• 3.4.7 网络目标误差及网络训练次数的确定
• 3.4.8 LMBP算法相关参数的确定
• 3.5 基于神经网络的数据融合在煮糖过程中的应用
• 3.5.1 神经网络模型
• 3.5.2 结果分析
• 3.6 本章小结
• 第四章 基于粒子群算法和神经网络的数据融合
• 4.1 引言
• 4.2 基本粒子群优化算法
• 4.2.1 PSO算法原理
• 4.2.2 参数分析
• 4.3 PSO算法的缺陷及改进
• 4.3.1 PSO算法的缺陷
• 4.3.2 BWPSO--改进的PSO算法的启发思想
• 4.3.3 BWPSO的计算公式
• 4.3.4 基于标准函数Goldstein-Price函数的算法验证
• 4.4 BWPSO算法和BP算法的融合
• 4.4.1 算法设计
• 4.4.2 BWPSONN——基于BWPSO算法优化的BP神经网络算法
• 4.4.3 BWPSONNBP——结合BWPSO算法和BP算法的数据融合
• 4.5 利用PSO算法确定LMBP神经网络的参数
• 4.5.1 训练思想
• 4.5.2 训练步骤
• 4.5.3 训练流程
• 4.5.4 实验验证
• 4.5.5 结论
• 4.6 基于BWPSO算法和BP算法的数据融合在煮糖过程中的应用
• 4.6.1 BWPSO算法相关参数的确定
• 4.6.2 结果分析
• 4.7 本章小结
• 第五章 基于蚁群算法、粒子群算法和神经网络的数据融合
• 5.1 引言
• 5.2 基本蚁群算法
• 5.2.1 蚁群算法基本原理
• 5.2.2 蚁群算法的优点与不足
• 5.2.3 蚁群算法参数分析
• 5.3 基于蚁群算法的BP神经网络训练（ACONN）
• 5.3.1 基本思想
• 5.3.2 ACONN相关参数的确定
• 5.3.3 ACONN煮糖过程中的应用
• 5.4 蚁群算法与BP神经网络的融合
• 5.4.1 ACONNBP
• 5.4.2 BPACONN
• 5.4.3 BPACONNBP
• 5.5 基于蚁群算法和粒子群优化算法的数据融合
• 5.5.1 BWPSOACO
• 5.5.2 ACOBWPSO
• 5.6 基于蚁群算法、粒子群算法和神经网络的数据融合
• 5.6.1 ACOBWPSOBP
• 5.6.2 BPACOBWPSOBP
• 5.6.3 BWPSOACOBP
• 5.6.4 BPBWPSOACOBP
• 5.7 本章小结
• 第六章 基于数据融合和虚拟仪器的甘蔗煮糖数据采集分析系统
• 6.1 引言
• 6.2 系统组成
• 6.3 系统的软件结构
• 6.3.1 主程序的设计
• 6.3.2 系统管理模块设计
• 6.3.3 数据采集模块设计
• 6.3.4 数据分析模块设计
• 6.3.5 数据管理模块设计
• 6.4 系统测试
• 第七章 总结与展望
• 7.1 全文总结
• 7.2 未来展望
• 参考文献
• 致谢
• 硕士期间的研究成果及发表的论文（2005～2008）