基于微粒群神经网络的软测量建模及其在丁二烯装置中的应用.pdfVIP

第八届工业仪表与自动化学术会议 基于微粒群神经网络的软测量建模 及其在丁二烯装置中的应用 孙 欣 孙自强 （华东理工大学自动化系，上海 200237） 摘 要：将微粒群算法(PSO)与神经网络相结合,利用PSO的寻优能力训练神经网络。然后将其用于丁二烯装置软 测量，建立丁二烯含量软测量模型，通过与工业数据以及基于 BP 神经网络建立的软测量模型相比较，表明该模 型效果明显优于BP神经网络，具有高的精度、好的性能和广阔的应用前景。 关键词：软测量 PSO 神经网络 丁二烯 0 引言 非线性系统广泛地存在于工业过程之中。该系统的建模方法一直是人们致力研究的课题，但 是无论在理论上还是实际应用中，非线性系统建模辨识还远未达到完善的程度。神经网络具有强 大的逼近非线性函数的能力，因此用神经网络来建立软测量模型是目前被广泛采用的一种方法。 鉴于以往的 BP 神经网络中梯度下降法搜索速度慢、易于陷于局部最小、拟合精度低等缺点， 本文采用 PSO 算法优化网络结构，利用 PSO 算法的全局寻优能力，对神经网络的权值和阈值进行 优化，使得网络的全局和局部的搜索能力得到改善，提高了网络模型参数学习的速度，并使其具 有了更高的精度。 1 PSO算法 PSO(Particle Swarm Optimization)算法最早是由 Eberhart和 Kennedy于 1995 年提出的， 它的基本概念源于对人工生命(Artificial Life)和鸟群捕食行为的研究。PSO 有着个体数目少、 计算简单、鲁棒性好等优点。在各类多维连续空间优化问题、神经网络训练、模糊系统控制等领 域上均取得了非常好的效果。 1.1 粒子群算法的基本原理 粒子群算法是基于群体的演化算法，通过对鸟群飞行的研究发现，鸟仅仅是追踪它有限数量 的邻居，但最终的整体结果是整个鸟群好像在一个中心的控制之下，即复杂的全局行为是由简单 规则的相互作用引起的。PSO 即源于对鸟群捕食行为的研究，一群鸟在随机搜寻食物中，如果这 个区域里只有一块食物，那么找到食物的最简单有效的策略就是搜寻目前离食物最近的鸟的周围 区域。PSO 算法就是从这种模型中得到启示而产生的，并用于解决优化问题。这就构成了 PSO的 一个基本概念。 PSO 求解优化问题时，问题的解对应于搜索空间中一只鸟的位置，称这些鸟为“粒 子”(particle)。每个粒子都有自己的位置和速度(决定飞行的方向和距离)，还有一个由被优化 函数决定的适应值。各个粒子记忆、追随当前的最优粒子，在解空间中搜索。每次迭代的过程不 是完全随机的，如果找到较好解，将会以此为依据来寻找下一个解。 1 第八届工业仪表与自动化学术会议 PSO 算法的数学描述：假设在一个 d 维的目标搜索空间中，有m 个代表潜在问题解的粒子组 ⎡ ⎤ 成的一个种群S X X X ，其中X (x , x , x ),i 1, 2, m ，表示第 个粒子在d i ⎣ 1 2 m ⎦ i i1 i 2 im 维解空间的一个矢量点。将X 代入一个与求解问题相关的目标函数可以计算出相应的适应值。 用P ( p , p , p ),i 1, 2, m ，来记录第 个粒子自身搜索到的最好点(所谓最好，是指计 i i i1 i 2 im 算得到的适应值为最小，即p best )。而在这个种群中，至少有一个粒子是最好的，