最小RBF网设计的进化优选算法及其在动力配煤过程状态预测建模中的应用.pdfVIP

最小 RBF 网设计的进化优选算法 及其在动力配煤过程状态预测建模中的应用 魏海坤， 徐嗣鑫， 宋文忠， 吴福保 (东南大学自动化研究所，江苏 南京 210096) 摘要：文中提出一种RBF网设计的进化优选算法，该算法能设计出满足给定学习精度的最 小RBF网络，从而使所得到的RBF网具有较好的泛化能力。我们以煤灰软化温度预测为例， 介绍了如何将该算法应用于动力配煤过程的状态预测建模。我们还把ESA算法与另外2 种最常见的RBF网设计方法，即聚类方法和OLS算法作了比较，结果表明，用进化优选算 法设计的RBF网模型具有最好的泛化能力。 关键词：RBF网； 泛化能力；动力配煤； 建模 1 引言 动力配煤是发展洁净煤技术的有效途径之一。所谓动力配煤，就是将2种或多种单煤 按一定比例混合加工，形成混煤，并在混煤的媒质指标满足用户要求的前提下，使生产成 本达到最小。由于混煤燃烧过程的复杂性，混煤成分及媒质指标往往不等于各单煤成分及 媒质指标按配比简单加权平均，而且某些媒质指标与煤成分之间的关系也有待进一步研 究。所以，建立配煤过程状态预测模型，是成功配煤的前提。 由于传统的加权平均方法或经验回归公式的预测效果不太理想，殷春根等人使用BP ［1，2］ 网对上述状态预测问题建模，并获得了较好的效果 。但是，BP网本身依然存在许多 问题：易陷入局部最小点，收敛速度较慢，很难确定学习精度，结构设计困难等。给基于 BP网的动力配煤过程状态预测建模带来了难度。 ［3］ 事实上，径向基函数网(RBF网)更适合于函数逼近和非线性系统建模 。使用RBF 网时也存在结构设计问题，但根据Moody准则，在相同的学习精度下，当神经网络中的有 效参数越少，神经网络的泛化能力就越好 ［4］ 。所以，应设计满足给定精度的最小结构 RBF 网，即选择最少数目的隐节点，以保证RBF网的泛化能力。 [5] ［6］ 设计RBF网的最常用算法是聚类方法 和正交最小二乘算法 (OLS算法)。OLS算法 能自动设计满足精度要求的网络结构，但学习精度无法确定，且往往不能设计出最小结构 的RBF网［7］ ；聚类方法的隐节点数据中心通过对样本输入聚类产生，不存在设定学习精 度的问题，但对确定隐节点数(即聚类数)却没有好的方法。当然我们可以用 Cross-Validation方法确定最优聚类数，但此时由于不能把所有样本都用于网络训练， 所设计的RBF网的泛化能力便会受到影响。 针对上述问题，本文提出一种RBF网设计的进化优选算法(ESA算法)。ESA算法也从 样本输入中选取数据中心，RBF函数也采用最常见的高斯型函数，但ESA算法能设计出满 足给定精度的最小RBF网。由于设定合理的学习精度很重要，我们还给出一种确定ESA 算法学习精度的工程方法。 2 OLS 算法的学习机理 T n RBF网是一种三层前向网(见图1)，图中X＝(x ，x ，…，x ) ∈R 为输入矢量，W＝(w ， 1 2 n 1 T m w ，…，w ) ∈R 为输出权矢量，w 为输出单元偏移量，f(X)为网络输出，Ψ(*)为径向基函 2 m 0 数(RBF