基于BP神经网络自适应滤波器在线估计的运用.docVIP

精品论文 参考文献 基于BP神经网络自适应滤波器在线估计的运用 傅秀军 李志华（江南大学物联网学院，江苏 无锡 214000） 摘 要：为了满足生产中处理采集数据的需求，提出了一种基于神经网络的自适应滤波器。在传统自适应滤波器结构中引入BP神经网络，提高了非线性处理能力，BP神经网络在线自学习方式以及采用该方式建立的自适应非线性滤波器的结构、原理及实现方法是合理可行的。 关键词：自适应滤波器；神经网络；原理；结构；化工过程应用；仿真 自适应滤波技术在近些年来获得了发展和广泛的应用，已成为最活跃的研究领域之一。其以输入和输出信号的统计特性的估计为依据，采取特定算法自动地调整滤波器系数，使其达到最佳滤波特性的一种算法或装置。不需要关于输入信号的先验知识，计算量小，特别适用于实时处理。然而，传统的方法很难给出实时解（如要求解Wiener-Hopf方程），在故障的检测和诊断中会成为致命的弱点。神经网络所具有的高度运算能力为解决这类问题展示了十分诱人的前景。利用神经网络来解自适应滤波器权值，可用于故障检测和诊断。 1 BP人工神经网络的基本原理 人工神经网络是模仿和延伸人脑认知功能的新型智能信息处理系统，它由大量的简单处理单元（即神经单元）所构成的一个非常复杂的非线性自适应动力学系统[1]。其最主要特性为连续时间非线性动力学、网络的全局作用、大规模分布并行处理及高度的鲁棒性和学习联想能力。因此它在信号、信息处理机制上与传统的计算机有着根本的不同。同时它又具有一般非线性动力系统的共性，即不可预测性、吸引性、耗散性、非平稳性、不可逆性、广泛连接性、容错能力与自适应性等[2]，从而可以代替复杂耗时的传统计算，使信号处理过程更接近人类的思想活动。因此它实际上是一个超大规模非线性连续时间自适应信息处理系统。 Rumelhand和McClelland提出的PDP模型学习规则是Hebb的变形。PDP模型从数学意义上近似地描述了生物神经网络的细节。现有绝大多数神经网络模型要比PDP模型简化得多，1985年，Rumelhart等人提出了误差反向传递学习算法（即BP算法），实现了多层网络的设想，如图1所示。BP算法不仅有输入层节点、输出层节点，还可有1个或多个隐含层节点。对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐节点的输出信号传播到输出节点，最后给出输出结果。该算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。 2 BP神经网络滤波器的结构 非线性滤波实际上是确定系统的非线性传递函数所对应的变换，即从输入到输出的映射关系。BP神经网络的高度非线性映射及并行分布处理能力，使其快速实现这种非线线变换成为可能。图2示出了BP滤波器的表达结构。其中g代表非线性滤波器的特性，它由一个3层BP神经网络来实现。已证明了3层BP神经网络可以任意精度逼近任一连续非线性函数[3]，并可充分满足网络结构简单性与映射性的最佳统一[3]。 3 BP神经网络滤波器在化工过程在线估计的应用 在线实时处理的关键是选择训练数据和确定学习方式，保证在每一采样间隔内完成BP滤波器的学习、估计和预报。训练学习数据直接来自非线性系统工作时的状态在线测量值，且学习是在动态系统运行中进行的BP滤波器在线实时状态跟踪（自学习）如图2所示。首先对每一状态变量进行在线测量并归一化，获得状态变量的时序数据作为滤波器的输入采用时序数据不仅便于实现在线自学习方式，而且可以实现静态神经网络的动态化。 3.1渣油裂解工艺概述。原油经减压装置处理后，通常尚余约40%的减压渣油。为了提高原油的利用率，得到更多的石油化工原料，须对减压渣油进行深度加工，这将在裂解装置中进行。它采用蒸汽裂解技术，使减压渣油进行一系列的裂解和缩合，生成裂解气、裂解轻油、裂解重油和沥青。从而使原油的石油化工液体收率由55%提高到75%。渣油催化裂解小型固定流化床实验装置如图3所示，它包括进油系统、进水系统、反应系统、产物分离收集系统和温度控制系统5个部分。用平流泵将蒸馏水打入蒸汽炉加热为过热水蒸汽，经预热炉预热后流入反应器，从插入反应器底部的进料管口高速喷出，然后从反应器底部反吹上升，使反应器内的催化剂呈流化状态。进料时，渣油被水蒸汽夹带，一起经过预热炉预热后从进料管线高速喷出，渣油被雾化和气化，并与流化的催化剂接触反应。裂解反应