[發明專利]一種復雜工業過程的多目標建模方法

無效

• 申請號: 201010235918.6
• 申請日: 2010-07-23
• 公開（公告）號: CN101893852A
• 公開（公告）日: 2010-11-24
• 發明（設計）人: 王寧;陳霄;陶吉利
• 申請（專利權）人: 浙江大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 陳昱彤

技術領域

本發明涉及一種復雜工業過程多目標建模方法，是一種針對復雜非線性系統的建模方法，屬于過程控制技術領域。

背景技術

建立復雜工業過程高精度的模型是實現生產過程優化的重要手段之一。傳統數學建模方法，如機理建模方法，在面對復雜的工業過程，尤其是對于具有嚴重非線性的復雜系統時，往往難以滿足建模的精度要求。因此，近年來研究者開始借助非線性建模工具，例如采用人工神經網絡來建立非線性系統模型。人工神經網絡具有很強的自適應學習、自組織、函數逼近等能力，對被建模過程不要求先驗知識，既適合于單變量非線性系統也適合于多變量非線性系統，因此在系統辨識、模式識別、信號處理、優化和控制中得到了廣泛的應用。為了充分利用被建模過程先驗知識，研究者將模糊邏輯與神經網絡相結合構成模糊神經網絡，既有模糊系統具有的透明語言結構、分布式記憶和并行處理的特點，又有神經網絡所具有的自學習能力強等功能，因此可以充分發揮兩者的優勢并彌補各自的不足。

Takagi-Sugeno模糊遞歸神經網絡模型是模糊邏輯與神經網絡有機結合的一種模糊神經網絡，它的后件部分采用局部線性化模型，取代了推理過程中的常數，相對于此前的模糊神經網絡模型而言，在處理多變量系統時能有效的減少模糊規則數。在T-S模糊遞歸神經網絡中，需優化的參數包括模糊規則的數目、隸屬度函數參數等。目前對這些參數的辨識方法主要有聚類算法和遺傳算法等方法。其中，聚類算法如K-均值算法，對初始聚類中心十分敏感，并且只考慮輸入數據，據此建立的模型不能很好反映系統特性。遺傳算法是一種模擬生物進化過程的仿生算法，具有很強的易操作性和全局優化性能，被廣泛用來優化模糊模型的結構和參數，然而面對復雜系統，特別是非線性系統時，遺傳算法仍存在著許多缺陷，如算法局部搜索能力較低、易早熟收斂等，導致所建模型的建模誤差較大。

發明內容

本發明的目的在于針對現有技術的不足，提供一種新的復雜工業過程的多目標建模方法。該方法適用于解決復雜的單輸入單輸出過程、多輸入多輸出過程的多指標建模問題。

本發明的發明構思是：發明人采用四種與DNA堿基對應的整數對T-S模糊遞歸神經網絡的前件部分參數進行編碼，每一個個體代表一個T-S模糊遞歸神經網絡的前件部分，采用遞推最小二乘法得到每個網絡前件部分對應的網絡后件部分參數，以最小化建模誤差和網絡模糊規則數為目標，基于個體的前沿和個體密度信息來計算個體適應度值，通過刪除距離過近個體來保持種群的多樣性，并采用置換交叉、轉位交叉、反密碼子變異、最大最小變異和普通變異操作提高個體的品質，最終得到了被建模過程的T-S模糊遞歸神經網絡模型。

為了實現上述發明目的，本發明所采取的技術方案是：該用于復雜工業過程的多目標建模方法包括以下步驟：

(1)通過現場操作或實驗獲得被建模過程的輸入和輸出采樣數據，確定T-S模糊遞歸神經網絡的輸出變量和T-S模糊遞歸神經網絡后件部分的輸入向量，將所述被建模過程的輸入和輸出采樣數據分為訓練樣本集和測試樣本集；確定建模問題的第一個目標和第二個目標，所述第一個目標為T-S模糊遞歸神經網絡的輸出變量與被建模過程的輸出變量的差值的平方和的最小化，所述第二個目標為T-S模糊遞歸神經網絡的模糊規則數的最小化；

(2)隨機生成初始種群，所述初始種群中的每個個體代表一個T-S模糊遞歸神經網絡的前件部分，每個個體均使用由與DNA堿基對應的0、1、2、3中的任一個或任幾個組成的整數串表示，所述整數串的長度固定；并且，設所述初始種群為當前種群，進化代數的初始值為1；

(3)根據步驟(1)所述的訓練樣本集，利用遞推最小二乘法確定與當前種群的每個個體所代表的所述前件部分相對應的T-S模糊遞歸神經網絡的后件部分；

(4)根據步驟(1)所述的第一個目標和第二個目標，計算當前種群的每個所述個體的適應度值；

(5)根據步驟(4)所獲得的每個所述個體的適應度值選擇當前種群中的個體組成新一代種群；

(6)對步驟(5)所述新一代種群中的個體執行置換交叉操作和轉位交叉操作；

操作；

(7)判斷經步驟(6)操作后得到的新一代種群中個體數目是否大于初始種群的個體數目的1.5倍，若大于，則執行步驟8)，否則執行步驟6)；

(8)對步驟(7)所述的新一代種群中的每個個體依次執行反密碼子變異操作、最大最小變異操作和普通變異操作；