[發明專利]一種基于CCRAESSOR理論的室內空氣質量苯的混沌相空間神經網絡模型安全監測方法

在審

• 申請號: 201810341850.6
• 申請日: 2018-04-17
• 公開（公告）號: CN110390411A
• 公開（公告）日: 2019-10-29
• 發明（設計）人: 黃正文;曾永剛;劉利紅
• 申請（專利權）人: 成都大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于CCRAESSOR理論的室內空氣質量苯的混沌相空間神經網絡模型安全監測方法，其特征在于：所述方法依序包括的具體步驟為：

A、采集室內空氣質量苯系統日負荷數據構成日負荷時間序列；

B、計算日負荷序列的飽和關聯維數，從而證明序列的混沌特性；

C、求取成都市室內空氣質量苯日負荷的自相關函數；

D、建立室內空氣質量苯混沌時間序列的多維相空間，構成學習樣本和教師值；

E、確定神經網絡結構；

F、數據的歸一化處理；

G、網絡的學習；

H、預測模型；

I、實際輸出日負荷數據用變換式進行還原。

2.根據權利要求1所述一種基于CCRAESSOR理論的室內空氣質量苯的混沌相空間神經網絡模型安全監測方法，其特征在于所述D步驟用自相關函數法確定最佳延遲時間τ，用飽和關聯維數法確定最佳嵌入維數m，重構系統的相空間：

Y₁＝(x₁，x_1+τ，...，x_1+(m-1)τ)^T

Y₂＝(x₂，x_2+τ，...，x_2+(m-1)τ)^T

... ... ...

Y_N＝(x_N，x_N+τ，...，x_N+(m-1)τ)^T

其中N＝n-(m-1)*τ為向量序列的長度。

3.根據權利要求1所述一種基于CCRAESSOR理論的室內空氣質量苯的混沌相空間神經網絡模型安全監測方法，其特征在于所述E步驟確定神經網絡結構由網絡的輸入層維數為m，即混沌相空間的嵌入維數，輸出維數為一維(即預測的輸出)，隱層單元維數由試錯法在網絡訓練學習中確定。

4.根據權利要求1所述一種基于CCRAESSOR理論的室內空氣質量苯的混沌相空間神經網絡模型安全監測方法，其特征在于所述F步驟所有的樣本值、教師值和輸出值的統一的歸一化方法：

將負荷換算為[0，1]區間的值。

5.根據權利要求1所述一種基于CCRAESSOR理論的室內空氣質量苯的混沌相空間神經網絡模型安全監測方法，其特征在于所述G步驟網絡的學習的具體步驟如下：

A、混沌相空間中的任意兩個相點Y(t_i)和Y(t_i+T)(其中T為預見期)，它們在相空間中的非線性演化函數關系f：Y(t_i+T)＝f(Y(t_i))，由人工神經網絡來擬合，雖然預測輸出點Y(t_i+T)為m維矢量，但實際上前(m-1)維是已知量，為簡單起見取網絡的輸出為Y(t_i+T)的第m個分量；

B、對任意一個非線性單元的神經元j，其輸入輸出關系有：

式中，x為神經元的輸入，ω為連接權重，θ為閾值，y為該神經元的輸出，f為激勵函數，常用的是Sigmoid函數，即

C、神經網絡的連接權重和閾值的學習按誤差反向傳播算法(BP算法)，這是一種有教師的學習算法；學習過程包括正、反兩個過程，首先按式(1)正向計算網絡各層輸出，再計算輸出和教師值之間的誤差，利用誤差反向修改連接權和閾值，重復以上兩個過程直到輸出和樣本教師值的誤差小到某一設定值ε；

D、假設輸入學習樣本為k個，輸出的預測值為y^k，對應的教師值為t^k，目標函數為：

E、連接權重和閾值的修正采用梯度下降法，為了防止震蕩和加速收斂，本文采用附加動量項的算法：

式中，ω_ij，ω′_jk，分別輸入層、隱層和輸出層的連接權重或閾值，n₀為迭代次數，η為訓練速率，Δω_ij，Δω′_jk，為修改值，α為動量因子。