基于關聯(lián)向量機建模方法及化工軟測量應用研究.pdf_第1頁
已閱讀1頁,還剩85頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、軟測量技術作為一種在線檢測技術,被廣泛應用于化工過程重要質量指標在線估計研究中,其核心內容是建模方法的研究。人工智能技術被廣泛應用于軟測量建模方法研究,常用的主要有人工神經(jīng)網(wǎng)絡(ANN)、支持向量機(SVM)和關聯(lián)向量機(RVM)等。雖然與ANN、SVM相比,RVM具有核函數(shù)選擇方便、計算量小、模型稀疏程度高等優(yōu)點,但存在著預測精度有待提高、僅適用于單輸出對象等局限。本文對常規(guī)關聯(lián)向量機進行了改進,提出了兩種改進的關聯(lián)向量機建模方法,并

2、將其應用于甲醇制烯烴(MTO)生產(chǎn)過程烯烴收率軟測量研究中。主要工作如下:
  (1)在詳細敘述軟測量技術實施步驟的基礎上,首先比較了各種基于人工智能技術的軟測量建模方法研究發(fā)展現(xiàn)狀,然后著重對RVM的改進策略及其軟測量應用現(xiàn)狀進行了總結分析;
  (2)為了提高RVM模型的預測精度,適應強非線性、多工況特性的實際工況需求,提出了一種基于魚群算法(AFSA)優(yōu)化BP神經(jīng)網(wǎng)絡(BPNN)的改進關聯(lián)向量機建模方法,采用AFSA對

3、BPNN初始參數(shù)進行優(yōu)化選擇,加快BP網(wǎng)絡的收斂速度從而達到全局最優(yōu);然后采用優(yōu)化后的BPNN來構建多個關聯(lián)向量機子模型,進行非線性融合,以提高模型的非線性預測能力。并用一個非線性函數(shù)作為測試對象,對所提出建模方法進行了性能測試,測試結果驗證了該建模方法的有效性;
  (3)為解決RVM在多輸入-多輸出過程對象中的應用問題,提出了一種基于混合核函數(shù)的改進關聯(lián)向量機建模方法,將多輸出關聯(lián)向量機(MVRVM)替代傳統(tǒng)的RVM,并采用A

4、FSA對組合核相關參數(shù)進行自優(yōu)化選取,有效避免人為直接設置的主觀性,最后采用一公開數(shù)據(jù)集對模型進行了性能測試;
  (4)以DMTO工藝反應再生階段為應用研究對象,將提出的所改進關聯(lián)向量機建模方法應用于烯烴收率軟測量研究中,仿真結果表明:采用基于AFSA-BPNN的MRVM模型非線性融合軟測量建模,具有良好的非線性預測能力,較單一模型具有更高的預測精度;基于魚群算法優(yōu)化組合核參數(shù)的MVRVM軟測量模型,則能成功實現(xiàn)乙烯和丙烯雙烯烴

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論