【技术实现步骤摘要】
一种鲁棒宽度学习系统
本专利技术属于工业过程建模
，具体涉及一种鲁棒宽度学习系统。
技术介绍
复杂工业过程的控制与优化问题一直以来是个热门的研究方向，而建立精确的复杂工业过程的模型是控制与优化的前提与基础。机理建模是建立在对过程的物理、化学机理分析基础之上，推导得出描述操作变量与状态变量及输出变量之间的函数关系式。机理建模能准确地表达变量之间的关系、有效的解释客观现象并且不会出现违背常理的情况，但其建模难度大，建模周期漫长且研究人员需要了解所有相关的理论知识。过去的许多年，基于数据驱动建模技术受到越来越多研究人员的关注，其简单方便的特性显著地提高建模效率。随着人工神经网络的快速发展，一些研究人员将人工神经网络应用于数据驱动建模，得益于人工神经网络的强大的学习能力，基于人工神经网络的数据建模方法得到了快速推广和应用。随着人工智能越来越受到人们关注，其背后的深度学习神经网络被广泛应用于各种尖端领域，例如模式识别，人脸识别和语音识别等。依靠网络中大量的特征层，深度学习神经网络十分适合处理高维大数据。尽管深度学习神经网络有着强大的学习能力，但其复杂的结构导致其面对众...
【技术保护点】
1.一种鲁棒宽度学习系统，其特征在于，包括以下步骤：步骤1：数据预处理，其步骤如下：步骤1.1：采集训练数据，设训练数据的输入数据矩阵为
【技术特征摘要】
2018.09.29 CN 20181115324861.一种鲁棒宽度学习系统，其特征在于，包括以下步骤：步骤1：数据预处理，其步骤如下：步骤1.1：采集训练数据，设训练数据的输入数据矩阵为输出数据矩阵为其中，N为训练数据的样本个数；M和C分别对应输入数据和输出数据的变量个数；表示实数域；步骤1.2：根据公式(1)中的转换函数对训练数据进行线性转换处理，将结果值映射到[-1,1]，其中转换函数为：其中，代表转化后的数据；X，Y代表待转换的数据；Xmin，Ymin代表待转换的数据中最小值；Xmax，Ymax代表待转换的数据中最大值；步骤2：求解残差矩阵R，其步骤如下：步骤2.1：假设鲁棒宽度学习系统的增强节点组数为m，每组q个增强节点，根据公式(2)求解系统的扩展输入矩阵Am，Am由输入数据矩阵和增强节点矩阵组合而成，Am表达式如下Am＝[X0|Hm](2)；其中，X0表示所组成的输入数据矩阵；Hm＝[H1,...,Hm]表示增强节点矩阵，和分别表示增强节点组权值矩阵和偏置矩阵，由系统随机产生；ξ(·)表示激活函数，是增强节点上的非线性函数，负责将增强节点的输入映射到输出端，采用常用的sigmod函数作为激活函数，激活函数如公式(3)所示：步骤2.2：根据公式(4)利用岭回归算法求解迭代初始的连接权重矩阵其中，I代表单位矩阵；Y0表示所组成的输出数据矩阵；λ代表正则化参数；上标‘T’表示矩阵的转置；步骤2.3：根据公式(5)利用残差公式求解残差矩阵R：其中，R＝[r1,r2,...,rN]T；ri表示第i个训练数据的残差；步骤3：计算训练数据的权值矩阵，步骤如下：步骤3.1：利用核密度估计算法求得残差概率密度函数，函数公式为(6)：其中，是残差的标准差；k(·)是核密度函数，表达式为公式(7)：步骤3.2：计算所有训练数据组成的权值矩阵θ，第l个训练数据的权值θl＝f(ri)，根据公式(6)计算θl，所有的θl组成权值矩阵θ，θ＝[θ1,...,θN]T；步骤4：建立鲁棒宽度学习系统模型，具体步骤如下：步骤4.1:根据公式(8)求解第k次迭代的连接权重矩阵其中，k＝1,2,3…；步骤4.2:若相邻两步的输出权值的差的绝对值的最大值大于设定的阀值ε时，即则通过公式计算新的残差矩阵R，并返回步骤3，直到或迭代次数达到预设的最大迭代次数，迭代结束，鲁棒宽度学习系统停止模型的训练并建立鲁棒宽度学习系统模型，模型输出预测表达公式(9)如下：其中，xnew表示新的输入数据；y预测表示预测的输出数据。Hm＝[...
【专利技术属性】
技术研发人员：褚菲，梁涛，王雪松，程玉虎，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32
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。