【技术实现步骤摘要】
一种基于SPCA的神经网络混合优化预测方法
本专利技术属于自动化工业
，涉及一种基于SPCA的神经网络混合优化预测方法。
技术介绍
随着现代化工业过程的不断成熟化、复杂化，产生越来越多的线性和非线性混合的过程数据不能很好的进行处理。在一些化工过程中，重要的变量也不能通过传感器设备测量，只能通过时滞较大的离线分析值进行调节，使工业过程控制变得复杂且困难。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。为了更好的处理过程数据，得到难以测量的变量，实现对工业过程进行精准控制，提出了一种基于SPCA的神经网络混合优化预测方法。
技术实现思路
本专利技术针对传统方法不能处理线性和非线性混合的数据，且模型预测性能较低等问题，提出了一种基于SPCA的神经网络混合优化预测方法。本专利技术首先采集化工过程中影响重要变量的过程变量，利用串行主成分分析(SPCA)方法对数据做预处理，结合主成分分析和核主成分分析方法处理线性和非线性混合数据，降低数据维度，其次使用RBF神经网络作为预测模型，结合LM算法和遗传算法对预测模型的参数进行优化，提高预测模型的性能，最后将预处理后的数据放入优化后的预测模型中，进行预测。不同于传统的方法，本专利技术有处理线性和非线性混合数据的能力，且结合优化算法，能够提高预测模型精度。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SPCA的神经网络混合优化预测方法。利用该方法提升了...
【技术保护点】
1.一种基于SPCA的神经网络混合优化预测方法，其特征在于该方法包括以下步骤：/n步骤一、采集水泥脱硝过程影响NO
【技术特征摘要】
1.一种基于SPCA的神经网络混合优化预测方法，其特征在于该方法包括以下步骤：
步骤一、采集水泥脱硝过程影响NOx浓度输出的相关变量，利用SPCA方法对数据进行处理；具体步骤是：
1-1.对于水泥脱硝过程影响NOx浓度输出的原始数据X∈Rn×m执行主成分分析，求解优化问题，形式如下：
s.t.||pLi||＝1
其中，X是标准化后的影响NOx浓度输出的相关向量矩阵组合，包括机组负荷、喷氨量、SCR入口烟温、入口NOx浓度、入口烟气含氧量、出口烟气含氧量、脱硝效率，n是影响NOx浓度输出的样本个数，pLi是第i主成分的特征向量，max是最大化，s.t.||pLi||是约束||pLi||；
1-2.根据步骤1-1，通过协方差矩阵的特征分解得到特征向量pLi，形式如下：
其中，λLi是的第i个特征值；
1-3.根据步骤1-2，求得第i主成分，形式如下：
tLi＝XpLi
其中，tLi是原始数据X的第i主成分；
1-4.根据第i个特征向量pLi和第i+1个特征向量pLi+1标准正交，重复步骤1-1至1-3，并利用预设的主成分累积贡献率，选取前KL个主成分，形式如下：
其中，是前KL个主成分的累积贡献率，是矩阵X的所有主成分和，∑是求和符号，如果前KL个主成分累积贡献率达到预设值，就得到主成分
1-5.结合步骤1-4，得到原始数据的残差子空间矩阵形式如下：
其中，是主成分分析后的矩阵；
1-6.把残差子空间矩阵映射到高维空间上，形式如下：
其中，是的高维矩阵，tNi是第i个主成分，pNi是第i个特征向量，KN是保留的非线性主成分数量，E是核主成分分析之后的残差矩阵；
1-7.对高维空间上的执行核主成分分析，求解优化问题：
s.t.||pNi||＝1
1-8.为了获得核主成分分析的特征向量pNi，将协方差矩阵的特征分解得到，形式如下：
其中，λNi是的第i个特征值；
1-9.由于特征向量pNi可表示为的线性组合，pNi的线性形式表示如下：
其中，ai＝[ai,1...ai,n]是系数，
1-10.结合步骤1-9，对步骤1-7的形式进行转化，形式如下：
1-11.利用核函数ker(xi,xj)＝φT(xi)φ(xj)对上式做优化，并结合协方差矩阵的特征分解，得到下式：
(n-1)λNiai＝Kai
其中，K是由[K]i,j＝ker(xi,xj)给出的具有i行j列元素的核矩阵，则λNi和ai分别是K的第i个特征值和特征向量；
1-12结合步骤1-11，求得第i个核主成分，形式如下：
其中，tNi是的...
【专利技术属性】
技术研发人员：于征，张日东，吴胜，
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。