基于混沌差分进化模糊聚类的多模型建模.pdfVIP

第 28卷 第 3期 计．算机与应用化学 VbI．28．NO．3 2011年 3月 28同 ComputersandAppliedChem istry March．20l1 基于混沌差分进化模糊聚类的多模型建模 梅振益，杨慧中 (江南大学检测与过程控制研究所，江苏，尢锡，214122) 摘要：针对模糊 C一均值聚类算法存在对初始聚类 巾心敏感和聚类 目标 函数容易陷入局部最优的问题，提 出了 1种 于混沌差分进化模糊 C一均值聚类的多模型建模疗法。该方法采用混沌差分进化算法对模糊 C一均值聚类的日标 函数进行全局寻优 ，能有效的解决上述问题。将该方法应用于双酚A生产过程的质量指标软测量建模，仿真结果 表 明了该算法 的有效性 。 关键词 ：混沌差分进化 ；模糊 c一均值聚类 ；多模型；软测量 中图分类号：TP18 文献标识码 ：A 文章编号：1001—4160(2011)o3。291-294 1 引言 数据用支持向量机 (supportvectormachine，SVM)分别建 立子模型，再用开关切换方式组合为最终模型的输 出。 现代工业过程具有多变量 ，非线性，不确定性等特 将该方法应用在 1个双酚A生产装置的裂解回收单元， 点。使用单一模型难以伞面的对其过程进行描述 ，导致 其聚类 目标 函数值相 比于 FCM 更优，同时双酚 A 含量 模型的估计精度低和泛化能力差，且对于大量的数据样 估计的软测量模型精度更高、泛化性更强，能满足工业 木只采用 1个模型会存在模型训练时间长等问题 。针对 生产的要求。 复杂过程建模的困难，多模型 的方法随之产生。常用 的 多模型构建方法是基于模糊 C．均值聚类 (fuzzyC—mean 2 混沌差分进化的模糊C。均值聚类 clustering，FCM)算法对样本数据划分，然后分别采用 2．1 混沌现象 各种算法建立子模型，再按一定的方式对子模型进行组 混沌是 自然界中广泛存在的 1种非线性现象，具有 合构建全局模型 l【l。所 以，聚类效果是决定这种全局模型 内在的随机性和历遍性等特点。本文采用经典的 Logistic 精度的关键 因素 。 方程来描述混沌序列： 为了提高 FCM 的聚类效果，有采用基于核模糊 c一 = (1一 ) (1) 均值聚类算法的多模型方法 2【。]；也有基_f满意模糊 C． 均值聚类的多模型方法f4J，实验结果表 明通过这些方法构 式L卜I，％属丁 (0，1)的随机数；当 取 4时，Logistic方 程处于完全混沌状态。 建的模型能适用 工业生产过程 ，取得了较妤的建模效 果。但是上述方法不能解决FCM 聚类算法依赖数据的分 2．2 DE算法的基本原理 DE是 1种基于种群进化的算法，具有记忆个体最优 布形式和对初始聚类中