複雜過程系統的遞階神經網路結構研究

《複雜過程系統的遞階神經網路結構研究》是依託北京化工大學，由朱群雄擔任項目負責人的面上項目。

基本介紹

• 中文名：複雜過程系統的遞階神經網路結構研究
• 依託單位：北京化工大學
• 項目類別：面上項目
• 項目負責人：朱群雄

項目摘要

本項目將融合控制科學與工程、化學工程與技術、系統工程、智慧型工程和信息工程等多學科交叉，以石油化工重要裝置乙烯流程作為研究與套用對象，詳細分析複雜過程系統的流程結構、反應機理、數據流等特點，系統化的梳理結構化神經網路研究思路，以提高神經網路泛化能力、增強網路系統可理解性、穩定性和普適性為目標，研究構建輸入輸出具有功能化、層次化、內部具有反饋機制的新型遞階神經網路集成系統，重點提出輸入層子網的自動劃分、子網和主網的有效合理連線、基於化工原理的神經元自反饋和遞歸反饋機理及基於輸出曲線的差異度計算方法等，開發基於數據驅動的神經網路結構化建模平台原型軟體，在工程研究與套用基礎上，形成一套複雜過程系統的結構化神經網路建模方法，為過程工業最佳化操作、安全控制、節能降耗提供基於數據驅動的模型基礎。本項目研究成果將具有重要的理論意義和實用價值，具有廣闊的套用前景。

結題摘要

由於過程工業流程和數據的複雜性，導致建模困難。神經網路是重要的數據驅動建模方法，提高神經網路性能的關鍵是要有好的神經網路結構和算法，而算法又是與結構有關，結構又要考慮對象和數據的複雜性，所以，以提高神經網路泛化能力、增強網路系統可理解性、穩定性和普適性為目標，研究複雜過程系統遞級神經網路建模方法具有重要的理論意義和實用價值。本項目以石油化工典型裝置作為研究套用對象，根據複雜過程系統流程工藝和數據流特點，研究了構建輸入輸出具有功能化、層次化、基於化工原理的神經元內部具有反饋機制的新型遞階神經網路和神經網路集成系統，探索了複雜過程系統結構化神經網路建模方法，提出了構建新型結構化的遞階神經網路總體框架。在輸入輸出空間分析數據屬性相關性基礎上，創新性的研究並提出了輸入層模組化自動劃分方法，如基於屬性相似性聚類、屬性-目標相關性和可拓聚類等方法，建立基於移動窗體神經網路、自聯想神經網路和樹形神經網路的新型結構化的遞階神經網路模型，研究了神經網路集成BOOSTING新算法，提出了基於輸出誤差曲線差異度計算和基於誤差矢量化的選擇性神經網路集成方法；為提高神經網路訓練速度和精度，提出了一種基於反傳的混沌粒子群訓練前饋神經網路的算法框架，根據訓練算法框架，提出了利用適應度方差方法判斷粒子早熟收斂並採用無限摺疊疊代混沌映射粒子群最佳化算法來訓練前饋神經網路，研究提出了結構化遞級RBF、ELM、PNN神經網路新結構、新算法、新模型。經UCI數據和石油化工生產典型裝置套用驗證了本項目提出的結構化遞級神經網路模型的有效性和先進性。在整個項目的研究過程中，按年度計畫順利開展研究工作，達到了預期目標。