论文部分内容阅读
信息是人类认识世界和改造世界的知识源泉,然而由于现实世界中事物的多样性、复杂性和时变性,导致人们认识到的信息往往是不确定的、不精确的。同样在复杂工业生产过程中,由于传感器的精度限制或外界干扰等原因导致测量的数据的不精确,甚至由于生产条件的限制,有些数据只能通过经验估计或软测量的方法求取。如何描述不确定信息并对不确定信息建立数学模型则是首先要解决的问题。粒是一种新兴的用于描述不确定、不精确、模糊信息的概念。信息粒化的方法有很多,其中集合论和区间分析具有良好的普适性,尤其在描述不精确数据方面；而神经网络一直以来在复杂系统建模方面得到广泛的应用。将区间理论与神经网络相结合构成的区间神经网络能够很好的解决不精确信息的建模问题,故研究区间神经网络的结构和学习算法具有十分重要的理论与实际意义。本文以区间神经网络为理论基础,通过广泛查阅相关文献,深入研究了前馈区间神经网络和反馈区间神经网络的网络结构和学习算法。提出了一种改进的Jordan神经网络,并将反馈区间神经网络应用于谷氨酸发酵过程的建模。现将本文主要研究工作概括如下：首先,将区间前馈神经网分为三类,以三层网络为例,推导了三层区间神经网络的梯度下降算法,利用数据实验说明了各类型区间神经网络与点值神经网络性能的不同之处。考虑到梯度下降算法易陷入局部最优的问题,通过利用基于区间优化的分支定界算法这一全局优化算法来解决区间神经网络的权值、阈值学习问题,并得到了良好的效果。其次,以Jordan神经网络为例,研究了区间反馈神经网络的结构和学习算法。考虑到普通Jordan神经网络不能够对k阶系统建模的问题,通过加入自反馈和输入时延改进了Jordan神经网络的结构。利用数据实验说明了改进Jordan神经网络的高阶系统建模能力和良好的动态特性。最后,利用第二类前向区间神经网络和区间Jordan神经网络分别对谷氨酸发酵过程进行建模,有效的解决了模型预报值误差估计问题。