基于PCA的RBF神经网络混合优化预测.pdfVIP

摘要

随着现代化工过程对生产质量的诉求不断提高，先进传感器设备和测量技术

被引入到复杂的化工控制系统中，获得化工过程中越来越详细的过程数据信息，

但是对提高生产质量的一些关键变量仍然不能直接测量得到。因此，如何利用已

有的过程变量预测这些关键变量成为一个亟待解决的问题。在这种背景下，人工

神经网络的预测方法在化工过程中被广泛使用。

径向基(RBF)神经网络是人工神经网络中最常使用的预测模型，它具有单隐

层的三层前馈神经网络结构，与其他前馈神经网络不同的是具有全局最优和最佳

逼近特性，它能够建立变量之间的关系模型，对化工过程中的关键变量进行预测。

随着现代化工过程中产生的数据量越来越大，非线性越来越强，对RBF神经网

络中所涉及的相关参数没有较好优化，从而导致对关键变量的预测性能不能达到

现代化工过程的要求，为了解决以上问题，本文对过程数据进行预处理，并将传

统RBF神经网络进行优化，主要研究内容如下：

(1)针对RBF神经网络没有对相关参数较好优化，导致预测性能较差的情况，

提出了基于PCA的LM-GA优化RBF神经网络的预测方法。首先使用主成分分

析(PCA)方法对输入到神经网络的过程变量进行预处理，其次主要利用

Levenberg-Marquardt(LM)算法和遗传算法(GA)先后对RBF神经网络进行两次训

练，得到最优RBF神经网络预测模型，最后对焦炉炉膛两侧的压力进行预测，

并与传统RBF神经网络和基于PCA的GA优化RBF神经网络就预测仿真图像

和均方根误差(RMSE)、平均绝对误差(MAE)两个指标进行对比，证明了本文提出

的方法相较于其他两种方法具有更好的预测性能。

(2)针对化工过程中数据量大，非线性强的特性，且主成分分析法(PCA)不能

很好处理非线性数据，影响RBF神经网络的预测性能的情况，提出了基于SPCA

的LM-GA优化RBF神经网络的预测方法。首先使用串行PCA(SPCA)，即主成

分分析法(PCA)和核主成分分析法(KPCA)相结合对输入到神经网络的过程变量

进行预处理，其次结合预处理的变量，使用LM算法和GA算法对RBF神经网

络模型进行优化，最后应用于田纳西-伊斯曼(TE)过程，并与RBF神经网络和基

于PCA的LM-GA优化RBF神经网络就预测仿真图像和RMSE、MAE两个指

标进行对比，证明了本文提出的方法相较于其他两种方法具有更好的预测性能。

关键词：主成分分析，核主成分分析，RBF神经网络，Levenberg-Marquardt算

法，遗传算法，神经网络预测

ABSTRACT

Withtheincreasingdemandforproductionqualityinmodernindustrialprocesses,

advancedsensorequipmentandmeasurementtechnologyhavebeenintroducedto

obtainmoreandmoredetailedprocessdatainformation,however,itisapitythatsome

keyvariablesforimprovingproductionqualitycannotbedirectlymeasured.Therefore,

howtouseexistingprocessvariablestopredictthesekeyvariableshasbecomean

urgentproblem.Inthiscontext,artificialneuralnetworkpredictionmethodsarewidely

used,particularlyinchemicalprocesses.

RadialBasisFunction(RBF)neuralnetworkisthemostcommonlyused

predictionmodelamongartificialneuralnetworks.Itisathree-layerfeedforwardneu