RBF网络结构的改进及其在航煤闪点估计中的应用.pdfVIP

RBF网络结构的改进及在航煤闪点估计中的应用 肖业余陈宛清 荆f-3石化总厂维修公司荆门448039 羞要：本文定性分析r用RBF网络建模泛化效果差的原因。并针对其原因，结合某装置的航煤闪 点建摸，尝试了RBF的一种改进，仿真结果表明，改进后的RBF在一定程度上改善了RBF模型的 质量． 关t词·软舅量肿模型改进 一、引言 随着计算机技术在过程工业中的推广应用，人们越来越重视采用软测量技术来实现一 些重要的关键过程参数的间接测量，这不仅避免了直接测量所带来的昂贵投资，而且可使 测量的实时性得到明显的改善，有利于对生产的在线实时指导，有利于过程的控制与优化。 在众多的软测量方法中，神经网络技术以其内在的非线性特性等优势．在非线性稳态过程 领域的建模中一直受到人们的广泛关注。特别是RBF网络，由于它具有训练时间短、收敛 快、拟台精度高、没有局部晟优问题这些突出优点，从它阀世起，人ff』便对它倾注了很多 的热情。但RBF网络建模也存在一些突出的闷题，如模型泛化效果差等。卜面，我们针对 RBF网络建模的泛化问题，进行分析、改进。 二、RBF简介 RBF神经网络的结构，如图t所示，它由三层——输入层、陷含层和输出层组成。第 一层(输入层)由信号源结点组成，只对信号作简单的收 发【作不作任何转换，单元个数与信号个数相等：第二层 为隐含层，单元数视所描述的问题而定，它通过基函数将 输入矢量直接(即连接权值为1)映射到隐空间；第三层 为输出层，转换函数为线性函数，它对输入模式的作用作 出响应。网络模型的建立就是确定基函数中心、基函数宽 度及隐层神经元个数，使神经元在某种最优准刚F较立uf．拟 合对象的特性，其中．基函数中心确定是神经网络模型建 立的主要1．作，目前，基幽数中心的确定人多采Hj聚类法。 ，l 叠 o， RBF的输入输出映射关系如F： 图1 RBF叫络，j；意圈 隐含层输出 E=exp(一d，《X，C．，B))(1) 输出层输出 Y-=∑Ewi+b．j=1，…，N (2) ●Il 67 其中： d。(x，C，，B)=(C，一x)TB(C。一x) (3) 式中 Y。——输出层第j个单元的输出； W．．——第i个隐含层单元到第j个输出层单元的输出； ●潮镧Ⅷ1，，111 h——第J个输出层单元的偏置： P．——第i个隐含层单元的输出： di——第i个陷含层单元对应的C，向量(RBF的中心)与输入向量x之间的欧氏距 离； B——矩阵表示径向基函数的带宽，B为对角阵，且对角线上的元素相等； ’ B=pl b一常数。 ， 三、问题分析 引起RBF网络建模的泛化效果蕤的原因有很多，除了训练样本数据的质量差及频域窄 等因素外，RBF网络模型的特点及不足也是非常重要的原因。这主要表现在以下两个方面： 11 RBF网络的隐层神经元对样本空间的响应是点状的，它只对其基函数中心及其附 近的特定频域的信号敏感，一旦输入超出该神经元的敏感区域，则其灵敏度迅速衰减。真 到该神经元进入“休眠”状态。因此，整个RBF就好象一个分布在样本空间神经触角网， 在这张网之外或网孔处，模型的响应性能较差。 21 目前的RBF网络对输入信号不讲“原则”，不分信号的主次而一视同仁，这势必 造成～些