在化工过程的建模中,由于过程数据的高维度和高非线性,导致计算量大幅提升和建模难度加大。为了解决这一问题,提出了一种基于正则化方法的函数连接神经网络模型(regularization based functional link neural network, RFLNN)。所提出的...
详细信息
在化工过程的建模中,由于过程数据的高维度和高非线性,导致计算量大幅提升和建模难度加大。为了解决这一问题,提出了一种基于正则化方法的函数连接神经网络模型(regularization based functional link neural network, RFLNN)。所提出的RFLNN方法里,通过使用正则化的方法对函数连接神经网络的权值进行优化,一方面大幅降低网络计算复杂度和计算量,另一方面极大程度上克服网络局部极值和过拟合的问题,以提高函数连接神经网络的学习速度和精度。为了验证所提出方法的有效性,首先采用UCI数据中Real estate valuation数据对其性能进行测试;随后将所提的方法应用于高密度聚乙烯(high density polyethylene,HDPE)复杂生产过程进行建模。UCI标准数据与工业数据的仿真结果表明,与传统FLNN对比,RFLNN在处理高维复杂化工过程数据时具有收敛速度快、建模精度高等特点。
在复杂化工建模过程中,由于过程数据的时序性、高非线性以及高维数的特点,导致传统的静态神经网络建模无法满足一定的精度。为了解决该问题,提出一种基于自编码神经网络特征提取的回声状态网络模型(features extracted from auto-encode...
详细信息
在复杂化工建模过程中,由于过程数据的时序性、高非线性以及高维数的特点,导致传统的静态神经网络建模无法满足一定的精度。为了解决该问题,提出一种基于自编码神经网络特征提取的回声状态网络模型(features extracted from auto-encoder based echo state network,FEAE-ESN)。传统回声状态网络(echo state network,ESN)方法中,储备池的节点数目很多,输出的维数很高,数据间存在共线性。为解决上述问题,待回声状态网络训练好之后,使用自编码神经网络对其储备池输出进行特征提取。通过自编码网络特征提取,一方面可以有效地降低储备池输出的维数,从而降低数据的复杂度;另一方面提取的特征去除了原有储备池输出的共线性,能够进一步提高广义逆的计算性能;最终提高回声状态网络的建模精度。所提方法FEAE-ESN用于田纳西-伊斯曼复杂过程建模,仿真结果验证了所提方法的有效性。
暂无评论