[發(fā)明專利]基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的丙烯聚合生產(chǎn)過程最優(yōu)軟測(cè)量?jī)x表及方法

無效

• 申請(qǐng)?zhí)枺?/td>: 200810063607.9
• 申請(qǐng)日: 2008-06-25
• 公開（公告）號(hào): CN101315557A
• 公開（公告）日: 2008-12-03
• 發(fā)明（設(shè)計(jì)）人: 劉興高;樓巍
• 申請(qǐng)（專利權(quán)）人: 浙江大學(xué)
• 主分類號(hào): G05B19/418
• 分類號(hào): G05B19/418;C08F10/06;C08F2/00;G06N3/12;G06N3/02
• 代理公司: 杭州天正專利事務(wù)所有限公司
• 代理人: 王兵;王利強(qiáng)

1.一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的丙烯聚合生產(chǎn)過程最優(yōu)軟測(cè)量?jī)x表，包括丙烯聚合生產(chǎn)過程、用于測(cè)量易測(cè)變量的現(xiàn)場(chǎng)智能儀表、用于測(cè)量操作變量的控制站、存放數(shù)據(jù)的DCS數(shù)據(jù)庫以及熔融指數(shù)軟測(cè)量值顯示儀，所述現(xiàn)場(chǎng)智能儀表、控制站與丙烯聚合生產(chǎn)過程連接，所述現(xiàn)場(chǎng)智能儀表、控制站與DCS數(shù)據(jù)庫連接，其特征在于：所述軟測(cè)量?jī)x表還包括基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)軟測(cè)量模型，所述DCS數(shù)據(jù)庫與所述基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)軟測(cè)量模型的輸入端連接，所述基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)軟測(cè)量模型的輸出端與熔融指數(shù)軟測(cè)量值顯示儀連接，所述基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)軟測(cè)量模型包括：

數(shù)據(jù)預(yù)處理模塊，用于將從DCS數(shù)據(jù)庫輸入的模型輸入變量進(jìn)行預(yù)處理，對(duì)輸入變量中心化，即減去變量的平均值；再對(duì)輸入變量預(yù)白化處理即變量去相關(guān)，對(duì)輸入變量施加一個(gè)線性變換；

通過獨(dú)立成分分析方法，從經(jīng)過中心化和預(yù)白化處理的線性混合數(shù)據(jù)中恢復(fù)出基本源信號(hào)；

BP神經(jīng)網(wǎng)絡(luò)建模模塊，用于采用BP神經(jīng)網(wǎng)絡(luò)，設(shè)BP神經(jīng)網(wǎng)絡(luò)的輸出層第k個(gè)神經(jīng)元的實(shí)際輸出為y_k，輸入為net_k，與此層相鄰的隱含層中任一神經(jīng)元j的輸出為yj，則有：

netk=Σiwkj·yj---(1)]]>

y_k＝f(net_k)????(2)

式中，w_kj是神經(jīng)元k與神經(jīng)元j之間的連接權(quán)，f(·)為神經(jīng)元的輸出函數(shù)，通常取為Sigmoid函數(shù)，表示為：

f(netk)=1/(1+e-(netk+hk)/θO)---(3)]]>

式中，h_k為神經(jīng)元k的閾值，θ₀為陡度參數(shù)，用以調(diào)節(jié)Sigmoid函數(shù)的陡度；

令訓(xùn)練樣本為P，對(duì)于任一個(gè)輸入模式X_p，若相應(yīng)有輸出層中第k個(gè)神經(jīng)元的期望輸出O_pk，則輸出層的輸出方差表示為：

Ep=12Σp(Opk-ypk)2---(4)]]>

式中，O_pk代表期望輸出，y_pk代表實(shí)際輸出；反向誤差傳播學(xué)習(xí)的目的是修改連接權(quán)w值，使E_p達(dá)到最小值；要求連接權(quán)w_kj應(yīng)沿E_p的負(fù)梯度方向?qū)W習(xí)；所以w_kj的修正量為：

Δpwkj=-β∂Ep∂wkj---(5)]]>

式中，β為學(xué)習(xí)速率調(diào)整因子；

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模塊，用于采用遺傳算法優(yōu)化方法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，具體步驟如下：

①確定網(wǎng)絡(luò)權(quán)值的編碼方式，個(gè)體的位串長(zhǎng)度，染色體采用二進(jìn)制編碼，網(wǎng)絡(luò)每個(gè)鏈接權(quán)值都用一定長(zhǎng)度的0/1串表示，在編碼時(shí)首先假定連接權(quán)在某一預(yù)定的范圍內(nèi)變化，連接權(quán)的實(shí)際值和字符串表示值關(guān)系表示為：

Wt(i,j)=Wmin(i,j)+binrep(t)2t-1[Wmax(i,j)-Wmin(i,j)]---(6)]]>

式中，binrep(t)是二進(jìn)制整數(shù)，[W_max(i，j)，W_min(i，j)]為各連接權(quán)的變化范圍，將所有權(quán)值對(duì)應(yīng)的二進(jìn)制字符串串聯(lián)在一起，得到一條染色體，代表網(wǎng)絡(luò)的一種權(quán)值組合。

②設(shè)定的種群規(guī)模n，隨機(jī)產(chǎn)生初始種群；

③設(shè)定網(wǎng)絡(luò)的目標(biāo)函數(shù)，將其轉(zhuǎn)換為適應(yīng)度，對(duì)各個(gè)網(wǎng)絡(luò)權(quán)值進(jìn)行評(píng)價(jià)；通過網(wǎng)絡(luò)的誤差函數(shù)計(jì)算適應(yīng)度函數(shù)，并認(rèn)為誤差大的個(gè)體適應(yīng)度小，個(gè)體i的適應(yīng)度函數(shù)f_i表示為：

f_i＝1/(E_i+1)????(7)

式中，E_i是網(wǎng)絡(luò)的誤差函數(shù)，表示為：

Ei=12Σk=1mΣj=1n3(cjk-cj)2---(8)]]>

式中，m是訓(xùn)練集的樣本個(gè)數(shù)，n₃是神經(jīng)元數(shù)，是單元j的理想輸出，c_i是單元j的實(shí)際輸出；

④選定遺傳操作，設(shè)置遺傳參數(shù)及自適應(yīng)調(diào)整算法，交叉概率設(shè)為P_c，變異概率設(shè)為P_m，個(gè)體i被選擇的概率P表示為：

P=fi/Σj=1nfj---(9)]]>

式中，n為群體大小，f_i為個(gè)體i的適應(yīng)度，f_i為個(gè)體j的適應(yīng)度；

⑤依據(jù)適應(yīng)度在遺傳空間進(jìn)行選擇操作；

⑥依據(jù)選定的交叉、變異及有關(guān)算法、參數(shù)，進(jìn)行相應(yīng)的操作，得到新一代種群；

⑦判斷是否滿足性能要求，若是，結(jié)束尋優(yōu)，得到一組優(yōu)化的權(quán)值；否則返回步驟⑤，繼續(xù)迭代尋優(yōu)。