基于构造－剪枝混合优化ＲＢＦ网络的煤灰熔点预测方法技术

本发明专利技术公开一种基于构造－剪枝混合优化ＲＢＦ网络的煤灰熔点预测方法，其特征在于：该方法分为“粗调”和“精调”两个阶段，粗调阶段按照以使能量函数最小为原则动态增加隐节点数目，选取相应的样本输入作为数据中心，直至隐节点数满足停止准则时停止；精调阶段用Ｇａｕｓｓｉａｎ正则化方法对粗调得到的ＲＢＦ网络的结构和参数作进一步调整；基于煤灰的化学组成成分建立相应的构造－剪枝混合优化ＲＢＦ网络，并以该网络预测煤灰熔点。本发明专利技术给出的构造－剪枝混合优化算法（ＣＰＨＭ），有效地融合了构造算法和剪枝算法的优点，不仅能动态调节ＲＢＦ网络的隐节点数，还能使网络的数据中心自适应变化；具有较小的结构、较好的泛化能力和较强的鲁棒性。

【技术实现步骤摘要】

本专利技术涉及一种煤灰熔点的预测方法，尤其涉及一种融合了神经网络构造算法与剪枝算法优点的混合优化RBF网络的煤灰熔点预测方法。
技术介绍
灰熔点对锅炉结渣特性与热效率都有很大影响，很多国家都制定了以灰熔点来评 判锅炉结渣特性的指标，国内有些电厂也把灰熔点作为衡量煤质的重要指标。对于固态排 渣锅炉，通常需要燃用较高灰熔点的煤以防止炉内结渣，当煤灰变形温度高于炉膛出口烟 温50 100°C时就不会造成对流受热面结渣；而对于液态排渣锅炉则燃用灰熔点低的煤以 防止流渣不畅，减少炉膛结渣。因此，对煤灰熔点进行准确预测至关重要。煤灰中含有多种氧化物，包括5丨02，六1203斤6203^30，]\%0，1102，1(20及妝20。很 多学者研究表明，煤灰中各氧化物决定了煤灰熔点。基于该结论，有一些传统的计算煤灰熔 点的方法，如常见的经验回归公式。然而使用这类静态的方法进行预测是一个极其复杂的 问题，其中掺杂着很多不确定的又相互作用的影响因素。此外，一些相关的参数有时还不准 确。所以使用这类传统的计算煤灰熔点的方法往往得不到理想的预测效果。鉴于神经网络技术有着强大的非线性映射的能力，一些学者采用了神经网络技术 对煤灰熔点进行建模，以实现非线性映射。由于BP网络比较简单，目前使用的神经网络绝 大部分都是BP网络。但是，BP网络本身依然存在许多问题易陷入局部最小点，收敛速度 较慢，很难确定学习精度，结构设计困难等。另外，如何选择合理的拓扑结构也是一个很现 实的问题。这些问题给基于BP网络的煤灰熔点预测建模带来了难度。RBF网络是非线性系统建模时另一种应用十分广泛的模型。相比BP网络，RBF网 络在模型的建立、预测的精度以及模型的精简度等方面都有明显的优势。然而，RBF网络在 实际应用中的性能还与网络的结构设计密切相关。RBF网络设计的核心问题是确定隐节点 的数目及相应的数据中心，设计出满足目标误差要求的尽可能小的神经网络，以保证神经 网络的泛化能力。
技术实现思路
专利技术目的本专利技术的目的在于针对现有灰熔点预测方法精度不高，模型结构不合 理、泛化能力不强等问题，提供一种基于构造_剪枝混合优化RBF网络的煤灰熔点预测方 法，以达到预测精度高，网络结构精简、泛化能力好、鲁棒性强的目的。技术方案本专利技术所述的基于构造-剪枝混合优化RBF网络的煤灰熔点预测方法， 该方法分为“粗调”和“精调”两个阶段，粗调阶段按照以使能量函数最小为原则动态增加 隐节点数目，选取相应的样本输入作为数据中心，直至隐节点数满足停止准则时停止；精调 阶段用Gaussian正则化方法对粗调得到的RBF网络的结构和参数作进一步调整，调整对象 为数据中心调整、输出权值调整、冗余隐节点删除和正则化系数的动态调整；基于煤灰的化 学组成成分建立相应的构造_剪枝混合优化RBF网络，并以该网络预测煤灰熔点。所述粗调具体步骤如下(Al)先从样本输入中选取网络的第一个数据中心，然后每次增加一个隐节点， 逐步调整该数据中心的值，新的隐节点数据中心的选取以使能量函数最小为原则；采用 Gaussian正则化方法时的能量函数为Ε = ψ- PmWJ (7 - PmW)+ XWtW⑴其中，Y= [yi，y2，...，yN]T为神经网络的教师输出向量，r = k，％，...，^J为权 值向量，Pm =[^,尸2,...,&]，凡= I(X1)A(X2)^t(Xiv)Jr为隐节点的响应函数向量，λ为 正则化系数。(Α2)当下式满足时，停止粗调_3] c{PM+lTPM+l)>CmaxO)其中，C(A)= I |A I I Ia-1II 为矩阵 Α 的条件数，I |A| I 为 Frobenius 范 数；= [p p2,...,pM,Sl],p, = [^1(X1), ^ (X2),..., φ0ι(χΝ)]为隐节点的响应函数向量， ^[^(。，么^，…么“讣为新增隐节点的响应函数向量，xi为新隐节点的数据中心；Cmax 是一个需预先确定的量，一般可选为IO6量级。选取网络的第一个数据中心的方法为从样本输入中选择某一 Xi,使相应的&在 Y上的投影最大，即E1(Xi) = max{YTSi，i = 1，2，· · ·，N}(2)其中，& =[么(X1),么(X2),...,么(Xw)Jr为以Xi为数据中心的新增隐节点的响应函数向量，Y = [Y1, y2，...，yN]T为神经网络的教师输出向量。所述精调具体步骤如下(Bi)数据中心调整调节数据中心，对样本(\，1.)，数据中心(^的调节量为{χ,^；)=4-{χ, -crK(y； - f(xj)k(4)rr其中，η为学习率，A为扩展常数，Q=氏(xj，f(Xj)为神经网络对应样本输入Xj.的输出，Wi为该隐节点前一时刻的输出权值；第i个隐节点的调节公式为c. ^ ^ + . IjAU(5)(XjJJ)SAi其中，Ci为已有的数据中心，Aci (Xj，yj)为数据中心Ci的调节量，Ai = {(xj; Yj) I I Xj-CiI < Kri, j = 1,2, ...,N}为参与调节的目标样本，K为重叠系数，ri SRBF 函数的扩展常数。(B2)输出权值调整当网络的数据中心确定后，最优权值可通过最小化能量函数直接得到，即[w w2,...,wM,bf =Wm(6)其中，Wi为第i个隐节点到输出节点的权值，b是输出偏移常数。(B3)冗余隐节点删除通过正则化方法，当某隐节点输出权值Wi满足以下条件时，则删除该隐节点abs (Wi) < Wmin(7) 其中，Wi为第i个隐节点到输出节点的权值，b是输出偏移常数。(B4)正则化系数λ的动态调整每次数据中心调整后，随之对λ进行调节，具体调节规则如下(1).如果 E(t) < E(t-l)，或者 E(t) <D，则 λ (t) = λ (t-D + Δ λ ；(2).如果 E(t)彡 E(t-l)，E(t) < A(t)，而且 E(t)彡 D，贝U λ (t)= λ (t-D-Δ λ ；(3).如果 E(t)彡 E(t_l)，E(t)彡 A(t)，而且 E(t)彡 D，则 λ (t) = P λ (t_l)；其中，E(t-l)为前一次数据中心调节时的误差，D为期望误差值，A(t)为当前时刻 的加权平均误差，定义为A (t) = yA(t-l) + (l-y)E(t), μ、P均为接近于1的数。所述的RBF网络具有8输入1输出的结构，其中8个输入分别对应组成煤灰的8 个氧化物，即SiO2, Al2O3，Fe2O3，CaO, MgO, TiO2, K2O及Na2O,输出为煤灰熔点的软化温度。为使神经元的输入工作在较灵敏的区域，将所有样本输入归一到范围内。有益效果本专利技术与现有技术相比，其有益效果是本专利技术给出的构造-剪枝混合 优化算法constructive-pruning hybrid method (CPHM)，有效地融合了构造算法和剪枝算 法的优点，不仅能动态调节RBF网络的隐节点数，还能使网络的数据中心自适应变化；与现 有的RBF设计方法递归正交最小二乘法(ROLS)和资源分配网络(RAN)相比，所设计的网络 具有较小的结构、较好的泛本文档来自技高网...

【技术保护点】
一种基于构造－剪枝混合优化ＲＢＦ网络的煤灰熔点预测方法，其特征在于：该方法分为“粗调”和“精调”两个阶段，粗调阶段按照以使能量函数最小为原则动态增加隐节点数目，选取相应的样本输入作为数据中心，直至隐节点数满足停止准则时停止；精调阶段用Ｇａｕｓｓｉａｎ正则化方法对粗调得到的ＲＢＦ网络的结构和参数作进一步调整，调整对象为数据中心调整、输出权值调整、冗余隐节点删除和正则化系数的动态调整；基于煤灰的化学组成成分建立相应的构造－剪枝混合优化ＲＢＦ网络，并以该网络预测煤灰熔点。

【技术特征摘要】
一种基于构造 剪枝混合优化RBF网络的煤灰熔点预测方法，其特征在于该方法分为“粗调”和“精调”两个阶段，粗调阶段按照以使能量函数最小为原则动态增加隐节点数目，选取相应的样本输入作为数据中心，直至隐节点数满足停止准则时停止；精调阶段用Gaussian正则化方法对粗调得到的RBF网络的结构和参数作进一步调整，调整对象为数据中心调整、输出权值调整、冗余隐节点删除和正则化系数的动态调整；基于煤灰的化学组成成分建立相应的构造 剪枝混合优化RBF网络，并以该网络预测煤灰熔点。2.根据权利要求1所述的基于构造_剪枝混合优化RBF网络的煤灰熔点预测方法，其 特征在于所述粗调具体步骤如下(Al)先从样本输入中选取网络的第一个数据中心，然后每次增加一个隐节点，逐步调 整该数据中心的值，新的隐节点数据中心的选取以使能量函数最小为原则；采用Gaussian 正则化方法时的能量函数为3.根据权利要求2所述的基于构造_剪枝混合优化RBF网络的煤灰熔点预测方法，其 特征在于选取网络的第一个数据中心的方法为从样本输入中选择某一\，使相应的^在 Y上的投影最大，即E1(Xi) = max{YTSi，i = 1，2，· · ·，N}(2)其中4 =|^(。，么(x2)，...，< (Xw)Jr为以Xi为数据中心的新增隐节点的响应函数向量，Y=[Y1,12,..., yN]T为神经网络的教师输出向量。4.根据权利要求1所述的基于构造_剪枝混合优化RBF网络的煤灰熔点预测方法，其 特征在于所述精调具体步骤如下(Bi)数据中心调整调节数据中心，对样本(\，yP，数据中心^的调节量为 Aci(x;,^)= (χ -ct^(y; -/(x;⑷rr其中，η为学习率，A SRBF函数的扩展常数，Ci为已有的数据中心d=氏(xj为 Gaussian型径向基函数，f(Xj)为神经网络对应样本输...

【专利技术属性】
技术研发人员：丁维明，魏海坤，吴小丽，
申请(专利权)人：东南大学，
类型：发明
国别省市：84[中国|南京]