一种基于主成分分析的神经网络预测方法技术

本发明专利技术公开了一种基于主成分分析的神经网络预测方法，包括如下步骤：步骤1、采集过程数据和质量数据，利用主成分分析对数据进行处理；步骤2、使用步骤1中得到的数据，建立神经网络模型，并做预测。本方法首先采集化工过程中产生的过程变量和质量变量，并利用主成分分析法对数据做预处理，降低数据维度，避免冗余，将处理好的数据输入到径向基神经网络的预测模型中，求解并优化相应参数，使模型预测准确率达到预定值。不同于传统的预测方法，本方法结合主成分分析法和径向基神经网络模型，减少了建模的复杂度，提高了模型的精度。

A Neural Network Prediction Method Based on Principal Component Analysis

【技术实现步骤摘要】
一种基于主成分分析的神经网络预测方法
本专利技术属于自动化工业
，涉及到一种基于主成分分析的神经网络预测方法。
技术介绍
随着现代化工业过程的不断成熟化、复杂化，越来越多的工业过程信息可以得到采集。但是，在一些化工过程中，重要的变量只能依据离线的分析值进行调节，时滞很大，使工业过程控制困难。如果这些变量不能实时得到，不仅不能保证系统的所需性能，甚至会直接影响化工装置的生产能力及质量的稳定性。为了实时得到化工过程中难以测量的变量，达到精准控制，提出了一种基于主成分分析的神经网络预测方法。
技术实现思路
本专利技术针对传统算法在数据处理中存在数据冗余，建模复杂度较高且建模精度较低等问题，提出了一种基于主成分分析的神经网络预测方法。该方法首先采集化工过程中产生的过程变量和质量变量，并利用主成分分析法对数据做预处理，降低数据维度，避免冗余，将处理好的数据输入到径向基神经网络的预测模型中，求解并优化相应参数，使模型预测准确率达到预定值。不同于传统的预测方法，本方法结合主成分分析法和径向基神经网络模型，减少了建模的复杂度，提高了模型的精度。本专利技术的技术方案是通过数据采集、数据预处理、系统建模、优化参数等手段，确立了一种基于主成分分析的神经网络预测方法。利用该方法提升了模型预测的准确性。本专利技术的方法步骤包括：步骤1、采集过程数据和质量数据，利用主成分分析对数据进行处理。具体步骤是：1-1.定义标准化原始数据的第一主成分，形式如下：t1＝Xp1＝[v1v2...vJ]p1且||p1||＝1其中，t1是矩阵X的第一主成分，X∈RN×J是标准化后的原始数据矩阵，N和J分别是数据样本个数和过程数据个数，p1是矩阵X的协方差矩阵的第一标准化特征向量，[v1v2...vJ]分别是第一、第二、…、第J过程数据。1-2.根据步骤1-1，求得t1的方差，形式如下：其中，和XT分别是第一标准化特征向量的转置和矩阵X的转置，Var(t1)是t1的方差。使得t1能携带最多的原变异信息，即要求t1的方差取到最大值。1-3.结合步骤1-1和步骤1-2，根据拉格朗日算法可以得到：Vp1＝λ1p1Var(t1)＝λ1其中，λ1是协方差矩阵V的第一特征值也是最大特征值。1-4.以此类推，并重复步骤1-1至1-3，可以得到ta＝Xpa其中，ta是第a主成分，pa和pa-1是矩阵V的第a和第a-1标准化特征向量，且paTpa-1＝0，paT是矩阵V的第a标准化特征向量的转置，λa是矩阵V第a特征值，Var(t1)≥Var(t2)≥...≥Var(ta)，Var(t2)和Var(ta)分别是t2和ta的方差。1-5根据预设的主成分累积贡献率，形式如下：其中，Ea是前a个主成分的累积贡献率，λj是矩阵V第j特征值，Σ是求和符号，如果前a个主成分累积贡献率可以达到预设值，那么前a个主成分可以以预设值的精度描述原变量。1-6.根据步骤1-5可以得到主成分分析之后的数据集，形式如下：其中，T是主成分的得分矩阵，PT是主成分的负载矩阵的转置。步骤2、使用步骤1中得到的新数据，建立神经网络模型，并做预测。2-1.将主成分分析之后的数据集分为训练集和测试集，建立径向基神经网络预测模型，形式如下：其中，是神经网络的预测输出，是训练集，i＝1,2,...,I是隐藏层节点个数，ωi是第i个神经元连接隐藏层和输出层的权值，是使用高斯函数的隐藏层中的第i个神经元输出，ci是第i个神经元函数的中心，σi是第i个神经元函数的宽度，是输入变量和中心之间的欧式距离。径向基神经网络的训练需要求解并优化以下三个参数，步骤如下：2-1-1.根据K-均值聚类算法确定ci和σi两个参数，形式如下：其中，θi是第i个聚类域，ni是第i个聚类域中所包含的样本数，E是训练数据到聚类中心的欧式距离，cmax是所选取中心之间的最大距离。2-1-2.根据递归最小二乘法进行权值参数调节，形式如下：其中，k为时刻，ω(k)和ω(k-1)分别是第k时刻和第k-1时刻的连接隐藏层和输出层的权值，K(k)是第k时刻的权重矩阵，Y(k)是第k时刻的实际输出，φ(k)和φT(k)是第k时刻隐藏层神经元的输出和转置，P(k)和P(k-1)分别是第k时刻和第k-1时刻的正定协方差矩阵，且P(0)＝αI，α是一个很大的实数，可取α＞105，I是一个适当维度的单位矩阵，ω(0)＝γ，γ是足够小的实矢量，设定为10-3，0＜μ＜1是遗忘因子。2-2.根据根均方误差评估径向基神经网络的建模精度，形式如下：其中，RMSE是根均方误差，Y(Xn)是实际的输出。2-3.重复步骤2-1和步骤2-2，直至建模精度低于期望值，并将测试集输入到神经网络模型中，如果模型预测准确率未达到预定值，调整网络结构和参数初始值，重复步骤2，直至模型预测准确率达到预定值。具体实施方式下面对本专利技术作进一步说明。以乙烯氧化反应器为例：乙烯反应器为固定床管式反应器，原料乙烯和氧气连续经过反应器，并在催化剂表面直接反应生成环氧乙烷，其收率是一个关键控制指标，建立乙烯氧化反应器的收率预测模型，把6个可测量的变量作为反应器收率预测模型的输入变量，以反应器的收率作为模型的输出。步骤1、采集乙烯氧化反应器的影响收率的变量和反应器的收率，利用主成分分析对数据进行处理。具体步骤是：1-1.定义乙烯氧化反应器的影响收率变量的第一主成分，形式如下：t1＝Xp1＝[v1v2...vJ]p1且||p1||＝1其中，t1是矩阵X的第一主成分，X∈RN×J是标准化后的影响收率的变量矩阵组合，如反应器的入口温度、乙烯与氧气的重量比、乙烯的进料量、反应器的出口压力、催化剂的使用时间，N和J分别是影响收率变量的样本个数和影响收率变量的个数，p1是矩阵X的协方差矩阵的第一标准化特征向量，[v1v2...vJ]分别是第一、第二、…、第J影响收率的变量。1-2.根据步骤1-1，求得t1的方差，形式如下：其中，和XT分别是第一标准化特征向量的转置和矩阵X的转置，Var(t1)是t1的方差。使得t1能携带最多的原变异信息，即要求t1的方差取到最大值。1-3.结合步骤1-1和步骤1-2，根据拉格朗日算法可以得到：Vp1＝λ1p1Var(t1)＝λ1其中，λ1是协方差矩阵V的第一特征值也是最大特征值。1-4.以此类推，并重复步骤1-1至1-3，可以得到ta＝Xpa其中，ta是第a主成分，pa和pa-1是矩阵V的第a和第a-1标准化特征向量，且paTpa-1＝0，paT是矩阵V的第a标准化特征向量的转置，λa是矩阵V第a特征值，Var(t1)≥Var(t2)≥...≥Var(ta)，Var(t2)和Var(ta)分别是t2和ta的方差。1-5根据预设的主成分累积贡献率，形式如下：其中，Ea是前a个主成分的累积贡献率，λj是矩阵V第j特征值，Σ是求和符号，如果前a个主成分累积贡献率可以大于0.85，那么前a个主成分可以以85％的精度描述原变量。1-6.根据步骤1-5可以得到主成分分析之后的数据集，形式如下：其中，T是主成分的得分矩阵，PT是主成分的负载矩阵的转置。步骤2、使用步骤1中得到的新数据，建立乙烯氧化反应器的神经网络模型，并对反应器的收率做预测。2-1.将主成分分析之后的数据集分为训练集和测试集，建本文档来自技高网...

【技术保护点】
1.一种基于主成分分析的神经网络预测方法，包括如下步骤：步骤1、采集过程数据和质量数据，利用主成分分析对数据进行处理；步骤2、使用步骤1中得到的数据，建立神经网络模型，并做预测。

【技术特征摘要】
1.一种基于主成分分析的神经网络预测方法，包括如下步骤：步骤1、采集过程数据和质量数据，利用主成分分析对数据进行处理；步骤2、使用步骤1中得到的数据，建立神经网络模型，并做预测。2.如权利要求1所述的基于主成分分析的神经网络预测方法，其特征在于：所述步骤1具体如下：1-1.定义标准化原始数据的第一主成分，形式如下：t1＝Xp1＝[v1v2...vJ]p1且||p1||＝1其中，t1是矩阵X的第一主成分，X∈RN×J是标准化后的原始数据矩阵，N和J分别是数据样本个数和过程数据个数，p1是矩阵X的协方差矩阵的第一标准化特征向量，[v1v2...vJ]分别是第一、第二、…、第J过程数据；1-2.根据步骤1-1，求得t1的方差，形式如下：其中，和XT分别是第一标准化特征向量的转置和矩阵X的转置，Var(t1)是t1的方差，使得t1能携带最多的原变异信息，即要求t1的方差取到最大值；1-3.结合步骤1-1和步骤1-2，根据拉格朗日算法可以得到：Vp1＝λ1p1Var(t1)＝λ1其中，λ1是协方差矩阵V的第一特征值也是最大特征值；1-4.以此类推，并重复步骤1-1至1-3，可以得到ta＝Xpa其中，ta是第a主成分，pa和pa-1是矩阵V的第a和第a-1标准化特征向量，且是矩阵V的第a标准化特征向量的转置，λa是矩阵V第a特征值，Var(t1)≥Var(t2)≥...≥Var(ta)，Var(t2)和Var(ta)分别是t2和ta的方差；1-5根据预设的主成分累积贡献率，形式如下：其中，Ea是前a个主成分的累积贡献率，λj是矩阵V第j特征值，Σ是求和符号，如果前a个主成分累积贡献率可以达到预设值，那么前a个主成分可以以预设值的精度描述原变量；1-6.根据步骤1-5可以得到主成分分析之后的数据集，形式如下：其中，T是...

【专利技术属性】
技术研发人员：张日东，欧丹林，吴胜，袁亦斌，高福荣，
申请(专利权)人：杭州电子科技大学，浙江邦业科技股份有限公司，
类型：发明
国别省市：浙江,33