遗传算法优化的RBF神经网络的焦化炉温度预测方法技术

本发明专利技术公开了一种遗传算法优化的RBF神经网络的焦化炉温度预测方法。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。本发明专利技术首先通过系统的输入输出数据建立径向基函数神经网络模型，然后利用RNA遗传算法来优化网络模型的参数，从而得到焦化炉的温度预测方法。本发明专利技术可以有效减小预测误差和模型结构的复杂度，达到很好的预测效果。

【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＝4x(t)=[u(k),u(k-1),y(k-1),y(k-2),y(k-3)][u(k),u(k-1),u(k-2),y(k-1),y(k-2)],n=5]]>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l代染色体：其中，l＝1,2,…,N，N是种群规模大小，1≤nr≤D，D是隐含层结点的最大值，Cl是D×(n+1)矩阵，表示矩阵Cl中位于第n列的第nr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：J(Cl,ωl)=Σt=1N1|Y1(t)-Y^1(t)|2+Σt=1N2|Y2(t)-Y^2(t)|2+λ(nr+n)]]>其中，λ是0到1之间的系数，Y1(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，是与预测输出值Y1(t)、Y2(t)对应的神经网络的期望输出值，N1、N2分别是从N中选取的两个种群样本；2.3、选取RNA遗传算法的适应度函数，并计算个体的适应度值，形式如下：f＝1/J(Cl,ωl)其中，f是个体的适应度函数；当适应度函数值大于适应度预设值fz时，遗传算法终止；2.4、利用轮转法来确定选择算子，形式如下：P(Cl)=f(Cl)Σl=1Nf(Cl)]]>其中，P(Cl)是个体Cl的选择概率，f(Cl)是个体Cl的适应值；2.5、利用步骤2.4中的选择算子将染色体适应度较高的个体选择出来以交叉概率pc进行交叉操作，产生下一代个体；2.6、选取合适的变异算子，形式如下：pm=a0+b01+ea(g-g0)]]>其中，a0表示变异概率pm的初始值，b0是变异概率的程度，g是进化的代数，g0是变异概率改变很大的进化代数，a是变异速率；2.7、在个体数目大于种群规模N时，得到剪接算子，形式如下：Afi=ρe-||x-ci||φi(x)Σi=1nrφi(x),(i=1,2,...,nr)]]>其中，ρ取正数；2.8、依照步骤2.3计算每个个体的适应度值，并判断是否满足终止条件，如果满足，则为参数的最优解，进行下一步操作；如果不满足，则执行步骤2.3到2.7，直到找到满足终止条件为止；2.9、对染色体进行解码，形式如下：cij=xj,min+Q4L-1·(xj,max-xj,min)1≤i≤nr,1≤j≤n]]>σj=Q4L-1wmax]]>其中，Q是长度为L的四进制解码产生的整数，xj,min和xj,max分别为输入变量的最小值和最大值，wmax是高斯函数的基宽的最大值；2.10、依照步骤1中的步骤1.2依次选取n＝2,3,4和5时的输入结点向量x(t)，并重复步骤2.1到2.9中的步骤，优化神经网络的参数；步骤3、将通过步骤2优化后的神经网络参数带入步骤1中求解出预测模型，并利用该预测模型对过程输出进行预测；在下一时刻，依照步骤1到步骤2中的步骤继续对实际过程进行预测，依次循环。...

【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