氧樂果合成過程智能建模方法研究.pdf

1、氧樂果合成過程是典型的間歇生產(chǎn)過程,其反應(yīng)釜溫度對象具有非線性、時滯性、和不確定性等特點,用常規(guī)的方法對其進行建模比較困難。近年來,以神經(jīng)網(wǎng)絡(luò)、模糊邏輯和遺傳算法等為代表的智能理論方法及其綜合集成,為解決具有上述特性的復(fù)雜對象建模提供了有效的途徑。
　　本文借鑒神經(jīng)網(wǎng)絡(luò)的自學(xué)習和適應(yīng)能力、模糊邏輯集成專家知識的能力,遺傳算法的優(yōu)化特性,對復(fù)雜非線性系統(tǒng)的建模,作了如下幾方面的工作:綜述了系統(tǒng)辨識的研究現(xiàn)狀,分析了各種辨識方法的特點

2、及應(yīng)用范圍。論述了智能辨識方法在復(fù)雜非線性對象建模中的作用及應(yīng)用前景。
　　本文首先利用基本BP網(wǎng)絡(luò)對氧樂果合成過程的反應(yīng)釜溫度對象進行辨識,仿真結(jié)果表明反應(yīng)初始階段的誤差比較大,分析原因可能是因為神經(jīng)網(wǎng)絡(luò)易陷入局部極小點,所以結(jié)合遺傳算法具有全局搜索性的特點,應(yīng)用遺傳算法對網(wǎng)絡(luò)權(quán)值進行了優(yōu)化,并與基本BP網(wǎng)絡(luò)的辨識結(jié)果進行了對比,發(fā)現(xiàn)雖然在溫度穩(wěn)定階段的擬合度更好,但是對于反應(yīng)初始階段的大誤差并沒有取得較好的效果;而在其他文獻的

3、研究中,證明在訓(xùn)練采用的樣本結(jié)構(gòu)及容量相同的情況下,模糊神經(jīng)網(wǎng)絡(luò)的性能較傳統(tǒng)的BP網(wǎng)絡(luò)有明顯的提高,主要表現(xiàn)在平均誤差下降,最大誤差減小,訓(xùn)練時間縮短。因此,接下來利用傳統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)對系統(tǒng)進行了辨識,取得了不錯的效果。但是初始階段的大誤差仍然沒有較大的改善。之所以會出現(xiàn)上述情況,是因為氧樂果間歇生產(chǎn)過程的反應(yīng)釜溫度對象,反映的是系統(tǒng)的動態(tài)行為,而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)是一種靜態(tài)神經(jīng)網(wǎng)絡(luò),僅僅利用靜態(tài)網(wǎng)絡(luò)辨識,并不能夠完全反應(yīng)系