学位论文 > 优秀研究生学位论文题录展示

氧乐果合成过程智能建模方法研究

作　者: 郭艳
导　师: 冯冬青
学　校: 郑州大学
专　业: 控制理论与控制工程
关键词: 间歇过程遗传算法神经网络模糊神经网络动态辨识
分类号: TQ452
类　型: 硕士论文
年　份: 2009年
下　载: 16次
引　用: 0次
阅　读: 论文下载

内容摘要

氧乐果合成过程是典型的间歇生产过程,其反应釜温度对象具有非线性、时滞性、和不确定性等特点,用常规的方法对其进行建模比较困难。近年来,以神经网络、模糊逻辑和遗传算法等为代表的智能理论方法及其综合集成,为解决具有上述特性的复杂对象建模提供了有效的途径。本文借鉴神经网络的自学习和适应能力、模糊逻辑集成专家知识的能力,遗传算法的优化特性,对复杂非线性系统的建模,作了如下几方面的工作:综述了系统辨识的研究现状,分析了各种辨识方法的特点及应用范围。论述了智能辨识方法在复杂非线性对象建模中的作用及应用前景。本文首先利用基本BP网络对氧乐果合成过程的反应釜温度对象进行辨识,仿真结果表明反应初始阶段的误差比较大,分析原因可能是因为神经网络易陷入局部极小点,所以结合遗传算法具有全局搜索性的特点,应用遗传算法对网络权值进行了优化,并与基本BP网络的辨识结果进行了对比,发现虽然在温度稳定阶段的拟合度更好,但是对于反应初始阶段的大误差并没有取得较好的效果;而在其他文献的研究中,证明在训练采用的样本结构及容量相同的情况下,模糊神经网络的性能较传统的BP网络有明显的提高,主要表现在平均误差下降,最大误差减小,训练时间缩短。因此,接下来利用传统的模糊神经网络对系统进行了辨识,取得了不错的效果。但是初始阶段的大误差仍然没有较大的改善。之所以会出现上述情况,是因为氧乐果间歇生产过程的反应釜温度对象,反映的是系统的动态行为,而传统的神经网络和模糊神经网络是一种静态神经网络,仅仅利用静态网络辨识,并不能够完全反应系统的特性。所以,本文在基本BP网络和传统模糊神经网络的基础上,加入一阶延时环节,构成了带偏差单元的动态递归BP神经网络,和动态递归模糊神经网络。并利用这两种动态网络对反应釜温度对象进行辨识。仿真结果表明,动态递归神经网络由于充分利用动态系统的当前数据和历史数据,从而获得了比静态神经网络更高的辨识精度,泛化能力较好。

全文目录

摘要  5-6
Abstract  6-12
1 绪论  12-16
  1.1 概述  12
  1.2 课题研究的背景及意义  12-15
  1.3 本文的主要工作  15-16
2 辨识方法的分析  16-28
  2.1 辨识算法的基本原理  16-17
  2.2 辨识的内容和步骤  17
  2.3 辨识结构  17-19
  2.4 传统的系统辨识方法  19-21
    2.4.1 经典辨识方法  19-20
    2.4.2 现代辨识方法  20-21
  2.5 智能辨识方法  21-26
    2.5.1 基于神经网络的系统辨识  21-22
    2.5.2 基于模糊逻辑的系统辨识  22-25
    2.5.3 基于遗传算法的系统辨识  25-26
  2.6 本章小结  26-28
3 基于静态神经网络的氧乐果合成过程辨识  28-53
  3.1 氧乐果合成反应对象分析  28-31
    3.1.1 氧乐果合成工艺过程  28-29
    3.1.2 氧乐果合成过程建模影响因素分析  29-31
  3.2 BP神经网络辨识温度对象  31-43
    3.2.1 BP神经网络  31-34
    3.2.2 氧乐果合成过程数据采集及预处理  34-37
    3.2.3 神经网络结构的确定  37-38
    3.2.4 基于标准BP网络的辨识结果  38-40
    3.2.5 基于遗传算法优化的BP神经网络  40-41
    3.2.6 基于遗传神经网络的辨识  41-43
  3.3 模糊神经网络辨识温度对象  43-52
    3.3.1 模糊神经网络  43-47
    3.3.2 仿真实例及分析  47-50
    3.3.3 辨识结构的选取  50
    3.3.4 基于模糊神经网络的辨识结果  50-52
  3.4 本章小结  52-53
4 基于动态神经网络的氧乐果合成过程辨识  53-64
  4.1 带有偏差单元的BP递归神经网络  53-58
    4.1.1 带有偏差单元的递归神经网络结构  53-54
    4.1.2 带有偏差单元递归神经网络学习过程  54-56
    4.1.3 带偏差单元的递归BP神经网络对氧乐果合成过程的辨识  56-58
  4.2 动态递归模糊神经网络  58-63
    4.2.1 动态模糊神经网络的结构  58-59
    4.2.2 动态模糊神经网络的学习算法  59-61
    4.2.3 基于动态模糊神经网络的氧乐果对象辨识  61-63
  4.3 本章小结  63-64
5 结论与展望  64-65
参考文献  65-68
致谢  68-69
附录:攻读硕士学位期间发表的学术论文  69

氧乐果合成过程智能建模方法研究

内容摘要

全文目录

相似论文