论文部分内容阅读
基于人工神经网络的软测量技术已经广泛应用于过程控制领域的在线估计方面。但如何建立一个能反映系统动态性能的神经网络软仪表目前鲜见相关报道。在建立软测量模型过程中，针对样本的输入输出不同周期，滞后和泛化三大问题，本论文在此三方面做了研究，具体内容如下：
本文提出了一种通过对输入数据的衰减加权及通过改变神经网络的输入层的方法，将动态和滞后信息输入给网络，来解决纯滞后动态系统的神经网络模型的结构问题；通过L-M训练算法提高训练速度和精度；并且对神经网络的泛化能力加强作了探讨；最后通过对一阶，二阶和典型的带纯滞后的非线性动态系统仿真，表明该方法有效，为实现过程的软测量和先进控制提供了可靠的保证。