主元分析-径向基函数神经网络软测量方法研究

主元分析方法是基于多元统计分析的数据处理方法,径向基函数(RBF)网络能很好地用于非线性系统建模.针对丙烯腈聚合物水含量这一腈纶生产中的关键指标无法在现场进行在线检测的情况,运用主元分析方法对输入变量进行主元分析以达到降维的目的,再通过RBF神经网络建立非线性软测量模型.仿真结果表明,该模型具有较高的预测精度.     

基于EGK'M-RBF网络的顺丁橡胶门尼黏度预测

提出一种基于增强的全局K'-means算法(EGK'M)-RBF网络的建模方法,该方法采用作者提出的EGK'M来确定RBF网络隐含层的结构,包括隐含层中心个数、中心位置以及隐含层扩展常数,采用KPCA提取非线性特征信息,实现辅助变量的二次选择.并与基于PCA和EGK'M-RBF网络模型、基于KPCA和K-means算法...     

用改进型RBF网络进行催化剂活性估值

引言Chen等［1]提出了一种径向基函数网络（RBFN）离线学习方法．事实上,RBFN的特点使它更适合于在线过程辨识,Pottmann等［2］提出了一种基于正交规则和统计检验的分段回归算法来设计和训练RBFN,吕强等［3]提出了一种采用递推K-均值族和Kalman滤波的混合算法（KKRBFN）．为了提高RBFN递推训练算法的精度和实时性,本文提出了一种基于递推K-均值簇和改进递推折息法的混和算法的RBFN;并将该RBFN算法用于某固定床反应器催化剂活性系数的估计,以验证所提出RBFN学习算法的有效性．l改进型RBFN的学习策略径向基函数网络可…     

一种DNA-NSGA-Ⅱ RBF网络非线性动态系统建模

基于DNA计算操作算子，提出了一种多目标非支配排序遗传算法，用于实现径向基函数(RBF)网络的优化设计。以RBF网络结构最简、拟合精度最高为优化指标，得到一组Pareto最优解，并根据测试数据的误差绝对值之和最小准则，从Pareto最优解集中筛选出最佳RBF网络。连续搅拌反应釜和pH中和过程建模仿真研究表明，该算法是一种有效的“黑箱”动态建模方法。     

基于故障诊断性能优化的主元个数选取方法

主元分析 (PCA)作为一种有效的多元统计监测方法,在化工过程的产品质量控制与故障诊断等方面得到广泛应用.其中主元个数作为PCA监测模型的关键参数,其选取直接决定了PCA的故障诊断性能.传统的主元个数选取方法主观性较大,且一般不能考虑故障诊断的要求.通过对主元空间和残差空间中临界故障幅值的分析,提出一种基于故障检测与识别性能优化的主元个数选取方法.并且能够对故障的检测类型、幅值等重要信息进行预测和估计.通过对双效蒸发过程的仿真故障检测,证实了该主元个数选取方法的上述优点.     

非线性时变系统的小波预测控制

从小波分析原理出发,给出了一种正交小波网络辨识非线性动态系统的方法,并以此网络作为预测模型,同时通过递推最小二乘法在线修正模型;采用遗传算法优化控制器输出,通过对遗传算子和优化指标的修改,减少了在线寻优计算量.仿真实验表明该算法对非线性时变系统有良好的控制效果.     

密炼机的推断控制系统

提出橡胶密炼机的一种基于神经网络软测量的推断控制系统,针对橡胶密炼机混烧胶的质量指标需要比较精确估计的一类软测量建模问题,研究了达用于MISO软测量模型的一种RBF逄法,并在此基础上实现了密炼机混炼胶粘度的推断控制。     

新型模糊预测PID控制在pH中和过程中的应用

利用自适应学习算法及模糊推理方法在线修正pH过程所得的局部线性化模型，同时基于广义预测控制(GPC)的思想和离散PID算法的相互关系，提出了一种以预测控制这类先进控制方法为思想，以经典PID控制为实现的新型控制器。其中，控制器的参数通过GPC与PID的相互关系递推计算得到。仿真研究表明本文所提出方法的可行性和有效性。     

核Hebbian算法在加氢脱芳烃过程中的建模应用

提出一种采用改进核Hebbian算法的加氢脱芳烃过程的递推产品质量建模方法;用于实时估计终端分馏产品的质量指标。通过利用核Hebbian算法的中间结果;计算中心化的核矩阵特征值;进而由核主元回归方法得到非线性动态质量模型。该递推滑动窗建模方法无需计算和保存整个核矩阵;并验证了所得到的闪点模型在正常和故障工况下均具有足够的精度。     

一种递推式变采样周期网络控制系统调度算法

针对采样周期的变化对网络控制性能的影响,综合考虑了网络的传输误差以及传输时延等因素,对网络控制系统进行了数学建模分析,提出一种递推式变采样周期在线动态调度算法.以误差泛函积分评价指标IAE来衡量控制回路的QoC.运用Matlab/Simulink中True-time工具箱构建网络控制系统仿真平台并进行仿真,结果表明该调...     

基于Hammerstein-Wiener模型的连续搅拌反应釜神经网络预测控制

针对化工过程中广泛使用的连续搅拌反应釜(CSTR),提出一种基于神经网络的模型预测控制策略,采用分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法,在此基础上建立线性自回归模式〖DK〗(ARX)结构和高斯径向基神经网络串联的非线性预测控制器。利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现一种基于支持向量机Hammerstein-Wiener辨识模型的非线性神经网络预测控制算法。对CSTR的仿真结果表明,该方法能够更有效地跟踪控制反应物浓度。     

基于径向基神经网络的聚丙烯熔融指数预报

引　言在化工生产中大部分生产流程具有非线性、大时滞、结构复杂等特性 ,而且生产变量之间存在着不同程度的耦合与关联 .前馈神经网络由于具有强大的拟合非线性函数的能力 ,已成为生产指标预测的有力工具[1] .其中径向基 (radialbasisfunction ,RBF)神经网络相对于神经网络BP     

基于混合粒子群优化的异类多模型软测量方法研究与应用

基于异类组合预测模型可提高模型的预测精度及鲁棒性的思想,提出一种基于混合粒子群优化的异类多模型非线性组合软测量建模的新方法。即先分别用混合粒子群优化的径向基函数神经网络、最小二乘支持向量机及部分最小二乘算法对训练集训练得出子模型,然后将具有性能互补性的三个子模型的输出作为反向传播网络的输入得到最后结果。用混合粒子群优化的方法来选取径向基函数神经网络和最小二乘支持向量机的模型参数,该方法克服了常用的交叉验证法耗时与盲目性问题。三层反向传播网络具有无限逼近特性,使得整个组合预测模型具有更好的泛化能力和预报精度。将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的。     

氨合成反应化学平衡常数计算模型的研究

针对目前氨合成反应化学平衡常数计算模型所存在的问题，提出一种基于径向基函数网络并结合主成分回归方法的网络模型。试验结果表明，该模型用于氨合成反应化学平衡常数的计算，效果良好。     

基于改进ELM的递归最小二乘时序差分强化学习算法及其应用

针对值函数逼近算法对精度及计算时间等要求,提出了一种基于改进极限学习机的递归最小二乘时序差分强化学习算法。首先,将递推方法引入到最小二乘时序差分强化学习算法中消去最小二乘中的矩阵求逆过程,形成递推最小二乘时序差分强化学习算法,减少算法的复杂度及其计算量。其次,考虑到LSTD（0）算法收敛速度慢,加入资格迹增加样本利用率提高收敛速度的算法,形成LSTD（λ）算法,以保证在经历过相同数量的轨迹后能收敛于真实值。同时,考虑到大部分强化学习问题的值函数是单调的,而传统ELM方法通常运用具有双侧抑制特性的Sigmoid激活函数,增大了计算成本,提出采用具有单侧抑制特性的Softplus激活函数代替传统Sigmoid函数,以减少计算量提高运算速度,使得该算法在提高精度的同时提高了计算速度。通过与传统基于径向基函数的最小二乘强化学习算法和基于极限学习机的最小二乘TD算法在广义Hop-world问题的对比实验,比较结果证明了所提出算法在满足精度的条件下有效提高了计算速度,甚至某些条件下精度比其他两种算法更高。     

Inferential Estimation of Polymer Melt Index Using Sequentially Trained Bootstrap Aggregated Neural Networks

The inferential estimation of a polymer melt index in an industrial polymerization process using aggregated neural networks is presented in this paper. The difficult‐to‐measure polymer melt index is estimated from easy‐to‐measure process variables, and their relationship is estimated using aggregated neural networks. The individual networks are trained on bootstrap re‐samples of the original training data by a sequential training algorithm. In this training method, individual networks, within a bootstrap aggregated neural network model, are trained sequentially. The first network is trained to minimize its prediction error on the training data. In the training of subsequent networks, the training objective is not only to minimize the individual networks' prediction errors but also to minimize the correlation among the individual networks. Training is terminated when the aggregated network prediction performance on the training and testing data cannot be further improved. Application to real industrial data demonstrates that the polymer melt index can be successfully estimated using an aggregated neural network.     

Monte Carlo simulation of two interpenetrating polymer networks: Structure, swelling, and mechanical properties

The swelling and mechanical properties of various interpenetrating polymer networks (IPNs) were studied. Six networks made from permutations of a moderately crosslinked polyelectrolyte network (ref), a moderately crosslinked neutral polymer network (net1), and a highly crosslinked polyelectrolyte network (net2) were first swollen in water and structural properties such as end-to-end chain lengths and radial distribution functions were compared with the component networks' equilibrium properties. The swelling of composite IPNs was discussed in terms of a balance between the osmotic pressure due to mobile counterions and the restoring force of the network chains, which act in parallel to counteract the osmotic swelling. For the ref-net2 system, the strong stretching of net2 chains increases the network restoring force and the further swelling due to the counterions is suppressed. The swollen networks were then uniaxially stretched, and equilibrium stress-strain plots were obtained up to high extension ratios. The equilibrium volume decreased upon uniaxial extension, and the elastic moduli of IPNs of the A-A type were slightly greater than that of their respective single networks.     

A new algorithm for developing dynamic radial basis function neural network models based on genetic algorithms

A new method for extracting valuable process information from input–output data is presented in this paper. The proposed methodology produces dynamical radial basis function (RBF) neural network models based on a specially designed genetic algorithm (GA), which is used to auto-configure the structure of the networks and obtain the model parameters. The new RBF network training technique formulates a complete optimization problem, which includes the network structure into the set of free variables that are used to minimize the prediction error. This is a different approach compared with the local search methods employed by other structure selection mechanisms, which are often trapped to local minima. Another advantage of the proposed method is that only one run of the algorithm is required to obtain the optimal network structure, in contrast to the standard RBF training techniques, where the produced model is selected by trial and error. The effectiveness of the method is illustrated through the development of dynamical models for two sets of data: simulated data from a Continuous Stirred Tank Reactor (CSTR) and true data collected from a Kamyr digester, which is a rather complicated reactor used in the pulp and paper industry.     

基于多尺度分析与主元分析的聚丙烯熔融指数神经元软测量预报模型

Prediction of melt index （MI）, the most important parameter in determining the product＇s grade and quality control of polypropylene produced in practical industrial processes, is studied. A novel soft-sensor model with principal component analysis （PCA）, radial basis function （RBF） networks, and multi-scale analysis （MSA） is proposed to infer the MI of manufactured products from real process variables, where PCA is carried out to select the most relevant process features and to eliminate the correlations of the input variables, MSA is introduced to a~quire much more information and to reduce the uncertainty of the system, and RBF networks are used to characterize the nonlinearity of the process. The research results show that the proposed method provides promising prediction reliability and accuracy, and supposed to have extensive application prospects in propylene polymerization processes.     

基于径向基函数的非线性系统近似偏最小一乘准则辨识算法

针对输入信号非线性相关的非线性系统,提出了基于径向基函数的近似偏最小一乘准则辨识算法。首先对观测数据矩阵进行列扩展,以径向基函数（radial basis function,RBF）网络的输出作为观测数据矩阵的扩展项,然后利用近似偏最小一乘算法对扩展的观测矩阵和输出矩阵进行线性回归。近似偏最小一乘算法用确定性可导函数近似代替残差绝对值,可以抑制对称α稳定（symmetrical alpha stable,SαS）分布的尖峰噪声。同时,通过主成分分析去除非线性系统数据向量矩阵之间的非线性相关,得出模型参数的唯一解。仿真实验表明,本文算法可以对输入信号存在非线性相关的非线性系统进行直接辨识,抑制了尖峰噪声对辨识结果的影响,具有优良的稳健性。