基于蚁群聚类优化的RBF神经网络软测量应用

论文摘要

现代工业过程对控制系统越来越高的要求促进了软测量技术的发展,作为解决现代复杂工业过程中较难甚至无法由硬件在线检测参量的实时估计问题的有效手段,软测量已经成为目前过程控制领域的研究热点之一,受到了国内外学者和生产企业的广泛关注。本文以实际工业过程为背景,结合铜电解过程的工艺知识,对基于改进的RBF神经网络软测量建模方法进行了深入的研究,并对软测量技术在实际工业过程中的应用进行了探讨和实践。本文的主要研究工作如下：本文首先介绍了人工神经网络的结构,特性和训练算法。重点介绍了RBF神经网络的特点,几种常见的RBF学习算法,同时指出RBF训练中存在的困难就是中心和宽度的选取问题。蚁群优化算法(Ant Colony Optimization, ACO)是20世纪90年代早期提出的一类群智能优化算法。其优越的问题分布式求解模式在组合优化问题的求解中取得了极大的成功,引起了相关领域学者的广泛关注。聚类问题作为一种无监督的学习,能根据数据间的相似程度自动进行分类,目前已经被广泛应用于求解RBF网络的中心上,并取得了较好的效果,但是对于大规模的样本数据,聚类方法往往存在训练学习速度慢和拟合精度不高的问题。本文针对上述RBF训练算法的困难,在分析比较目前较好的算法基础上,提出了一种基于蚁群聚类算法优化的径向基神经网络。该方法利用了蚁群算法的并行寻优特征和利用挥发系数自适应更改信息量的能力,并结合聚类的方式确定了径向基神经网络中基函数的位置,然后通过比较隐层神经元的相似性、合并相似性较为接近的两个神经元来约简隐含层的神经元,以达到简化径向基神经网络结构的目的。通过对太阳黑子数的预测证明该方法优化后的RBF网络具有更好的预测性能。最后,本文采用某铜厂DCS系统采集的现场数据对得到的RBF神经网络进行了检验,通过对预测结果的分析,表明该网络具有良好的逼近能力。同时还针对电解铜的工业实际应用背景提出了相应的模型校正方法,通过校正后的模型和校正前模型进行对比,说明模型经过校正后更能够满足工业生产要求。

论文目录

• 摘要
• Abstract
• 目录
• 第1章 绪论
• 1.1 课题背景
• 1.2 软测量技术
• 1.2.1 软测量技术发展现状
• 1.2.2 软测量模型描述
• 1.2.3 建立软测量模型方法
• 1.2.4 影响软测量模型性能的主要因素
• 1.2.5 软测量模型的校正
• 1.3 RBF神经网络学习算法研究现状
• 1.4 本文主要工作
• 第2章 RBF神经网络基础
• 2.1 人工神经网络理论
• 2.1.1 人工神经网络概念及其特点
• 2.1.2 人工神经网络发展史
• 2.1.3 人工神经网络模型
• 2.2 径向基函数简介（Radial Basis Function）
• 2.3 径向基函数网络的数学根据
• 2.3.1 正则化方法
• 2.3.2 正则化网络
• 2.4 RBF神经网络理论基础
• 2.4.1 RBF神经网络结构
• 2.4.2 RBF神经网络的特点
• 2.4.3 RBF神经网络的映射机理
• 2.5 RBF神经网络常见学习算法
• 2.5.1 训练准则
• 2.5.2 常见算法
• 2.6 径向基函数神经网络的研究展望
• 2.7 本章小结
• 第3章 蚁群聚类优化RBF神经网络
• 3.1 最优化问题
• 3.1.1 最优化理论
• 3.1.2 优化算法分类及其发展
• 3.1.3 组合优化问题
• 3.2 蚁群算法
• 3.2.1 基本蚁群算法
• 3.2.2 蚁群优化算法
• 3.3 聚类算法
• 3.3.1 聚类问题的数学模型
• 3.3.2 解聚类问题的几种算法
• 3.3.3 蚁群聚类算法
• 3.4 蚁群聚类算法优化RBF神经网络
• 3.5 算法仿真试验
• 3.5.1 太阳黑子数预测
• 3.5.2 仿真分析
• 3.6 小结
• 第4章 软测量建模及工业应用
• 4.1 数据来源及影响因素
• 4.1.1 原始数据及数据来源
• 4.1.2 铜酸浓度影响因素分析
• 4.2 铜酸浓度预测
• 4.2.1 铜酸浓度预测可行性分析
• 4.2.2 铜酸浓度预测的方法及意义
• 4.2.3 数据预处理
• 4.3 软测量建模
• 4.3.1 建立模型
• 4.3.2 选取辅助变量
• 4.4 仿真结果分析
• 4.5 软测量模型校正
• 4.5.1 短期校正
• 4.5.2 长期校正
• 4.6 本章小结
• 第5章 结论与展望
• 5.1 结论
• 5.2 展望
• 参考文献
• 致谢