论文部分内容阅读
神经网络以其优良的非线性逼近能力在人工智能，语音识别，智能控制等领域得到了广泛的应用，并且已经在越来越多的领域得到关注。但是BP神经网络存在容易早熟陷入局部最优收敛慢以及泛化能力不足等问题。化工过程的高度非线性导致BP神经网络参数多难以收敛以及网络结构难以确定泛化能力弱。采用启发式算法优化参数寻优问题，可以缓解BP神经网络容易早熟的问题；从优化样本的完备性角度可以进一步提高BP神经网络的泛化能力。 本论文从上述问题出发展开研究，本论文的主要工作包括以下几个内容： 1.针对建模过程中BP神经网络容易早熟的问题，本文提出CSBP建模算法，采用布谷鸟算法优化神经网络的参数寻优过程。并进一步提出NCSBP算法，使用小生境策略优化参数寻优过程中参数点的“近亲繁殖”问题，对化工TE过程对象以及DISO对象的建模结果表明，小生境布谷鸟搜索算法优化神经网络能够很大程度避免早熟以及收敛慢的问题。 2.针对BP神经网络在建模过程中出现训练阶段精度良好，但是在实际应用时误差太大的问题，本文提出一种样本自学习的神经网络建模方法，将预测误差过大的点加入样本集，同时删除冗余的数据点保证数据集的完备性。对添加了扰动的 TE过程数据进行建模仿真，结果表明样本自学习的建模算法显著提高了神经网络的泛化能力。 3.使用本文提出的小生境布谷鸟神经网络算法，对真实工业对象隧道热处理炉进行建模。比较好地建立了隧道热处理炉监测变量和产品质量之间的映射关系。