面向復(fù)雜化工領(lǐng)域的RBF神經(jīng)網(wǎng)絡(luò)建模方法研究與應(yīng)用.pdf

1、隨著計算機技術(shù)的快速發(fā)展，各種人工智能方法（專家系統(tǒng)、遺傳算法、神經(jīng)網(wǎng)絡(luò)等）被廣泛應(yīng)用于生產(chǎn)過程的數(shù)據(jù)建模分析與優(yōu)化，并且取得了良好的應(yīng)用效果。其中，徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)是一種學(xué)習(xí)性能優(yōu)良的單隱含層前饋神經(jīng)網(wǎng)絡(luò)，具有訓(xùn)練速度快，全局逼近性能最佳等優(yōu)點。然而，由于復(fù)雜工業(yè)數(shù)據(jù)具有維度高、耦合強、包含大量冗余信息等特點，導(dǎo)致了RBF神經(jīng)網(wǎng)絡(luò)對其生產(chǎn)過程建模復(fù)雜，無法準(zhǔn)確預(yù)測其生產(chǎn)狀況，需要

2、人為提取原始數(shù)據(jù)的特征作為網(wǎng)絡(luò)輸入數(shù)據(jù)，來提高RBF神經(jīng)網(wǎng)絡(luò)對復(fù)雜工業(yè)數(shù)據(jù)的建模能力。但當(dāng)原始輸入數(shù)據(jù)不易做人為提取或人為提取的效果難以保證的時候，需要改變預(yù)測或分類模型的結(jié)構(gòu)，例如增加隱含層層數(shù)，構(gòu)建深度網(wǎng)絡(luò)結(jié)構(gòu)。因此，本文針對不同的任務(wù)要求和不同類型的原始輸入數(shù)據(jù)，提出兩種不同角度的改進方式來提高RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能。主要研究內(nèi)容如下:
　　1.針對普通RBF神經(jīng)網(wǎng)絡(luò)對維度高、耦合強、包含大量冗余信息的工業(yè)數(shù)據(jù)建模困難的問

3、題，結(jié)合模糊C均值(Fuzzy c-means algorithm，F(xiàn)CM)聚類算法，提出一種基于熵權(quán)的層次分析法(Analytic HierarchyProcess，AHP)（FAHP）。首先利用FCM算法對高維數(shù)據(jù)的輸入屬性進行聚類，然后利用基于熵權(quán)的數(shù)據(jù)驅(qū)動型AHP算法對具有較高相似度的輸入屬性進行數(shù)據(jù)融合，過濾冗余信息，實現(xiàn)原始輸入數(shù)據(jù)的特征提取;通過標(biāo)準(zhǔn)數(shù)據(jù)集(University of California Irvine，U

4、CI)驗證FAHP算法對提高RBF神經(jīng)網(wǎng)絡(luò)建模精度的可行性與有效性;
　　2.針對不易或者是不適合用FAHP算法做處理的原始輸入數(shù)據(jù)建模時，需要以其他方式來提取特征，簡化網(wǎng)絡(luò)學(xué)習(xí)過程。通常，可以通過改變神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，例如增加隱含層層數(shù)的方法來實現(xiàn)數(shù)據(jù)的特征提取。相比于單隱含層神經(jīng)網(wǎng)絡(luò)，具有多層隱含層的深度神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的刻畫能力更強，但是隨著網(wǎng)絡(luò)結(jié)構(gòu)的深入，利用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機制來訓(xùn)練網(wǎng)絡(luò)會越發(fā)困難，很有可能出現(xiàn)“梯度消失

5、”的問題。針對這一難題，本文借鑒深度學(xué)習(xí)的訓(xùn)練思想，嘗試使用基于RBF的特征提取模塊來構(gòu)建多層學(xué)習(xí)結(jié)構(gòu)，實現(xiàn)對輸入信息的特征學(xué)習(xí)與高級表示;完成深度RBF(DRBF)神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建，并詳細闡述該網(wǎng)絡(luò)模型的訓(xùn)練步驟。通過UCI標(biāo)準(zhǔn)數(shù)據(jù)集的實驗驗證DRBF網(wǎng)絡(luò)模型的可行性與有效性;
　　3.將FAHP-RBF、DRBF兩種預(yù)測模型應(yīng)用于復(fù)雜化工領(lǐng)域不同行業(yè)(乙烯工業(yè)與精對苯二甲酸(PTA)工業(yè)）的生產(chǎn)預(yù)測以及生產(chǎn)裝置運行水平分析中