论文部分内容阅读
工业过程对象通常会呈现非线性、大滞后、不确定特性,而采用传统建模方法对其进行动态测试建模时,一些变量较难获得大量的数据样本。为此,考虑如何在小量动态测试数据情况下建立神经网络模型并构造有效的控制策略,无疑具有学术研究和工程应用意义。本论文在此背景下进行了研究工作,取得以下主要研究成果:1、为了提高神经网络对于较少数据量对象的辨识精度以及学习速度,提出了一种模拟大脑结构的人工情感神经网络(Artificial Affective Neural Network,AANN)预测模型。它是由脑背侧网络和脑腹侧网络两部分构成的非全连接神经网络,通过背侧和腹侧网络分别处理认知数据和情感数据。利用“紧张”与“自信”两个情感因子模拟人类学习时的情感变化,可以提高神经网络对于对象的认知能力,进而提高辨识精度。通过与支持向量机(SVM)和普通BP网络对比,验证了人工情感神经网络对对象的学习速度和高辨识精度。2、面向工业过程存在的非线性、大滞后、不确定问题,提出了基于人工情感神经网络的预测控制方案,将人工情感神经网络作为对象预测模型,利用粒子群优化方法为滚动优化器,通过对目标函数进行最优求解,得到最优控制量。与普通BP网络作为预测模型的控制方案和SVM预测控制对比,验证了本文所提方案的有效性。3、将所提出的控制方案应用于某工业超临界650MW直流锅炉再热蒸汽工段,与普通BP网络控制方案和SVM预测控制对比,验证了该方案的有效性。