【技术实现步骤摘要】
遗传算法优化的RBF神经网络的焦化炉温度预测方法
本专利技术属于自动化
,涉及一种基于RNA遗传算法优化的径向基函数 (RBF)神经网络的焦化炉温度预测方法。
技术介绍
在实际工业控制过程中,由于干扰、非线性等因素,焦化炉的温度模型通常是不易 得到的。对于焦炭炉温度的动态特性,RBF神经网络模型具有良好的逼近速度,同时可以提 高温度预测模型的精度,又可以简化模型结构。但是,RBF神经网络模型的参数初值选取没 有规律可循,不适当的选取会使网络收敛慢,甚至造成网络发散。RNA遗传算法是模拟生物 的遗传和进化过程形成的随机搜索优化算法,通过全局搜索可以得到最优参数。如果能将 RNA遗传算法和RBF神经网络建模相结合,既能迅速逼近焦化炉实际温度,又保证了模型结 构简单。
技术实现思路
本专利技术的目的是针对焦化炉温度过程建模困难的问题,通过数据采集、模型建立 和优化,提出了一种基于RNA遗传算法优化的RBF神经网络的焦化炉温度预测方法。该方 法可以有效减小预测误差和模型结构的复杂度,从而可以达到很好的预测效果。 本专利技术的步骤包括: 步骤1、通过系统的输入输出数据,建立RBF神经网络模型,具体步骤是: 1. 1、由包含输入层、输出层和隐含层的RBF神经网络结构,得到网络的映射关系 即系统的输入输出模型,形式如下:
【技术保护点】
遗传算法优化的RBF神经网络的焦化炉温度预测方法,其特征在于:该方法的具体步骤包括:步骤1、通过系统的输入输出数据,建立RBF神经网络模型,具体步骤是:1.1、由包含输入层、输出层和隐含层的RBF神经网络结构,得到网络的映射关系即系统的输入输出模型,形式如下:Y(x(t))=Σi=1nrωiφ(||x-ci||σi2)]]>其中,x(t)=(x1,x2…,xn)表示n个输入结点向量,Y(x(t))表示网络的输出变量,ci∈Rn表示第i个隐含层神经元的中心向量,Rn是欧式空间,是一个高斯函数,||x(t)‑ci||表示x(t)到ci的径向距离,ωi表示第i个隐含层和输出层之间的连接权,σi是高斯函数的基宽,1≤i≤nr,nr是隐含层的结点数;1.2、将系统输入和输出值组成输入向量,并依次选取输入向量,利用穷举法列出其结构,形式如下:x(t)=[u(k),y(k‑1)],n=2x(t)=[u(k),u(k-1),y(k-1)][u(k),y(k-1),y(k-2)],n=3]]>x(t)=[u(k),u(k‑1),y(k‑1),y(k‑2)],n ...
【技术特征摘要】
1.遗传算法优化的RBF神经网络的焦化炉温度预测方法,其特征在于:该方法的具体 步骤包括: 步骤1、通过系统的输入输出数据,建立RBF神经网络模型,具体步骤是: 1. 1、由包含输入层、输出层和隐含层的RBF神经网络结构,得到网络的映射关系即系 统的输入输出模型,形式如下:其中,X(t) = (XpX2-^Xn)表示η个输入结点向量,Y(x(t))表示网络的输出变量,CieRn表示第i个隐含层神经元的中心向量,Rn是欧式空间,列是一个高斯函数, IX(t)-CiI I表示x(t)到Ci的径向距离,COi表示第i个隐含层和输出层之间的连接权,Oi 是高斯函数的基宽,I<i< 是隐含层的结点数; 1.2、将系统输入和输出值组成输入向量,并依次选取输入向量,利用穷举法列出其结 构,形式如下:其中,u(k)是k时刻系统的输入控制量,y(k)是k时刻系统的实际输出值; 步骤2、利用RNA遗传算法优化RBF神经网络模型的参数,具体步骤是: 2. 1、首先对神经网络模型参数进行四进制编码,得到如下形式的第1代染色体:其中,1 = 1,2,···,Ν,N是种群规模大小,ID是隐含层结点的最大值,(^是 DX(n+1)矩阵,表示矩阵C1中位于第n列的第κ个隐含层神经元的中心向量; 2. 2、选取RBF神经网络的目标函数,形式如下:其中,λ是O到1之间的系数,Yi(t)、Y2(t)分别是RBF神经网络的神经元在k时刻对k+t时刻的预测输出值,$(/)、f2(/)是与预测输出值Y1 (t)、Y2⑴对应的神经网络的期望输 出值,A、N2分别是从N中选取的两个...
【专利技术属性】
技术研发人员:张日东,薛安克,王建中,陈华杰,邹琴,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。