复杂过程系统的递阶神经网络结构研究

由于过程工业流程和数据的复杂性，导致建模困难。神经网络是重要的数据驱动建模方法，提高神经网络性能的关键是要有好的神经网络结构和算法，而算法又是与结构有关，结构又要考虑对象和数据的复杂性，所以，以提高神经网络泛化能力、增强网络系统可理解性、稳定性和普适性为目标，研究复杂过程系统递级神经网络建模方法具有重要的理论意义和实用价值。本项目以石油化工典型装置作为研究应用对象，根据复杂过程系统流程工艺和数据流特点，研究了构建输入输出具有功能化、层次化、基于化工原理的神经元内部具有反馈机制的新型递阶神经网络和神经网络集成系统，探索了复杂过程系统结构化神经网络建模方法，提出了构建新型结构化的递阶神经网络总体框架。在输入输出空间分析数据属性相关性基础上，创新性的研究并提出了输入层模块化自动划分方法，如基于属性相似性聚类、属性-目标相关性和可拓聚类等方法，建立基于移动窗体神经网络、自联想神经网络和树形神经网络的新型结构化的递阶神经网络模型，研究了神经网络集成BOOSTING新算法，提出了基于输出误差曲线差异度计算和基于误差矢量化的选择性神经网络集成方法；为提高神经网络训练速度和精度，提出了一种基于反传的混沌粒子群训练前馈神经网络的算法框架，根据训练算法框架，提出了利用适应度方差方法判断粒子早熟收敛并采用无限折叠迭代混沌映射粒子群优化算法来训练前馈神经网络，研究提出了结构化递级RBF、ELM、PNN神经网络新结构、新算法、新模型。经UCI数据和石油化工生产典型装置应用验证了本项目提出的结构化递级神经网络模型的有效性和先进性。在整个项目的研究过程中，按年度计划顺利开展研究工作，达到了预期目标。