论文部分内容阅读
本论文围绕化学计量学中的智能型算法—径向基神经网络(RadialBasisFunctionNeuralNetworks，RBFNN)和遗传算法(GeneticAlgorithms，GA)开展研究，完成了一系列RBFNN及其改进算法、RBFNN和GA联用算法的建模、编程工作，并将所建模型分别用于软测量化工参数、预测化工生产数据、优化化工产品生产，以及解析化学分析图谱。
论文分五章介绍所作的研究工作：第一章绪论。介绍了RBFNN和遗传算法在化学化工领域中的研究动态和应用进展。
第二章RBF神经网络在液化气生产软测量中的应用。将基于最近邻聚类算法的RBFNN用于液化气生产数据的软测量，根据实际应用结果改进了原始数据的归一化方法，使得测量误差均小于5％。还根据测量结果研究了基函数宽度对网络复杂度和测量精度的影响：发现基函数宽度越小，所得到的聚类数目就越多，计算量也越大；但聚类数目过多，分类过于精细推广性不好；聚类数目过少，数据没有被完全归类，预测误差较大；因此，应选择适当的RBF网络参数r使平均预测误差最小。
第三章自适应RBF神经网络在轻烃装置制冷系统建模中的应用。针对基于硬C均值算法的RBF神经网络，对学习步长进行自适应调节，对通常采用的基函数宽度的计算方法作了改进；对于硬C均值算法出现的死节点，则在程序运行中自动进行删除。利用该改进的自适应RBF网络对正弦函数曲线仿真，所得的最小均方误差MSE=1.2652×10-4。用该算法模型对某轻烃装置制冷系统进出口温差进行预测，网络训练收敛精度为0.00085，网络只迭代了409次即迅速收敛，且误差曲线下降平滑，表明学习步长自适应修改过程中不存在反复调节现象。网络输出值与实际值的平均绝对误差为1.5022度，其中，预测误差在±1度以内的样本占样本总数的36.65％；预测误差在±2度以内的样本占70.19％；预测误差在±3度以内的样本占92.55％，预测效果良好，可用于指导实际生产。
第四章GA-BasedRBFNN用来同时测定FeMnCuZn。RBF神经网络算法能够成功应用的关键是径向基函数聚类中心和宽度的选取。为了简化网络结构，提高网络的泛化能力，采用了遗传算法(GA)优化RBF神经网络的参数和结构。本章介绍了两种新的基于GA的径向基神经网络(GA-BasedRBFNN)训练算法：第一种GA-BasedRBFNN算法对所有训练样本采取二进制编码构成个体，优化径向基函数中心的选取和网络结构；第二种GA-BasedRBFNN算法中，RBFNN采用自增长算法训练网络隐含层中心、采用十进制对距离因子ε编码构成染色体，优化网络。将两种GA-BasedRBFNN算法应用于Fe、Mn、Cu、Zn同时测定的光谱解析。计算结果表明，本文的GA-BasedRBFNN算法较通常的遗传算法与径向基人工神经网络(GA-RBFNN)联用，即在GA选择变量的基础上，再用RBFNN作数据解析的GA-RBFNN方法，在增强网络的泛化能力、提高预测的准确性等方面具有明显的优势。这两种GA-BasedRBFNN算法的处理结果表明，第二种算法在性能上优于第一种算法。
第五章应用基于混合递阶遗传算法的径向基神经网络(HHGA-BasedRBFNN)优化汽油调合配比。
RBF神经网络的性能除了和径向基函数的聚类中心选取及其宽度确定有关外，还和隐含层的聚类中心数目有关。本文采用递阶遗传算法(HierarchicalGeneticAlgorithms，HGA)同时优化径向基函数的聚类中心、宽度和隐含层单元数。HGA可以脱离训练样本来确定径向基函数聚类中心。为了更合理地将HGA和RBFNN联合运用、加快网络的训练速度，提出了基于混合递阶遗传算法的径向基神经网络(hybridhierarchygeneticalgorithm-basedRBFNN，HHGA-BasedRBFN)。该算法构造的递阶染色体中只包含隐层的聚类中心参数，聚类中心宽度和输出层的设计在评价函数中完成；采用奇异值分解法构造径向基神经网络的输出层，可以避免迭代而得到最小二乘问题的解，还可以剔除无效的隐节点。将该模型用于预测调合汽油辛烷值，对60组93号汽油进行预测，预测结果与实际检测辛烷值的绝对误差在0.5个辛烷值的有50组样本，预测效果良好。
本论文研究内容受以下两个项目资助：①四川省教育厅重点科研项目(川教函[2004]329号，编号2004A107)；
②四川省企业信息化试点项目：生产(制造)过程信息化项目的子项目：“汽油调合优化技术及应用”。