[发明专利]一种复杂工业过程的多目标建模方法

说明书

技术领域

本发明涉及一种复杂工业过程多目标建模方法，是一种针对复杂非线性系统的建模方法，属于过程控制技术领域。

背景技术

建立复杂工业过程高精度的模型是实现生产过程优化的重要手段之一。传统数学建模方法，如机理建模方法，在面对复杂的工业过程，尤其是对于具有严重非线性的复杂系统时，往往难以满足建模的精度要求。因此，近年来研究者开始借助非线性建模工具，例如采用人工神经网络来建立非线性系统模型。人工神经网络具有很强的自适应学习、自组织、函数逼近等能力，对被建模过程不要求先验知识，既适合于单变量非线性系统也适合于多变量非线性系统，因此在系统辨识、模式识别、信号处理、优化和控制中得到了广泛的应用。为了充分利用被建模过程先验知识，研究者将模糊逻辑与神经网络相结合构成模糊神经网络，既有模糊系统具有的透明语言结构、分布式记忆和并行处理的特点，又有神经网络所具有的自学习能力强等功能，因此可以充分发挥两者的优势并弥补各自的不足。

Takagi-Sugeno模糊递归神经网络模型是模糊逻辑与神经网络有机结合的一种模糊神经网络，它的后件部分采用局部线性化模型，取代了推理过程中的常数，相对于此前的模糊神经网络模型而言，在处理多变量系统时能有效的减少模糊规则数。在T-S模糊递归神经网络中，需优化的参数包括模糊规则的数目、隶属度函数参数等。目前对这些参数的辨识方法主要有聚类算法和遗传算法等方法。其中，聚类算法如K-均值算法，对初始聚类中心十分敏感，并且只考虑输入数据，据此建立的模型不能很好反映系统特性。遗传算法是一种模拟生物进化过程的仿生算法，具有很强的易操作性和全局优化性能，被广泛用来优化模糊模型的结构和参数，然而面对复杂系统，特别是非线性系统时，遗传算法仍存在着许多缺陷，如算法局部搜索能力较低、易早熟收敛等，导致所建模型的建模误差较大。

发明内容

本发明的目的在于针对现有技术的不足，提供一种新的复杂工业过程的多目标建模方法。该方法适用于解决复杂的单输入单输出过程、多输入多输出过程的多指标建模问题。

本发明的发明构思是：发明人采用四种与DNA碱基对应的整数对T-S模糊递归神经网络的前件部分参数进行编码，每一个个体代表一个T-S模糊递归神经网络的前件部分，采用递推最小二乘法得到每个网络前件部分对应的网络后件部分参数，以最小化建模误差和网络模糊规则数为目标，基于个体的前沿和个体密度信息来计算个体适应度值，通过删除距离过近个体来保持种群的多样性，并采用置换交叉、转位交叉、反密码子变异、最大最小变异和普通变异操作提高个体的品质，最终得到了被建模过程的T-S模糊递归神经网络模型。

为了实现上述发明目的，本发明所采取的技术方案是：该用于复杂工业过程的多目标建模方法包括以下步骤：

(1)通过现场操作或实验获得被建模过程的输入和输出采样数据，确定T-S模糊递归神经网络的输出变量和T-S模糊递归神经网络后件部分的输入向量，将所述被建模过程的输入和输出采样数据分为训练样本集和测试样本集；确定建模问题的第一个目标和第二个目标，所述第一个目标为T-S模糊递归神经网络的输出变量与被建模过程的输出变量的差值的平方和的最小化，所述第二个目标为T-S模糊递归神经网络的模糊规则数的最小化；

(2)随机生成初始种群，所述初始种群中的每个个体代表一个T-S模糊递归神经网络的前件部分，每个个体均使用由与DNA碱基对应的0、1、2、3中的任一个或任几个组成的整数串表示，所述整数串的长度固定；并且，设所述初始种群为当前种群，进化代数的初始值为1；

(3)根据步骤(1)所述的训练样本集，利用递推最小二乘法确定与当前种群的每个个体所代表的所述前件部分相对应的T-S模糊递归神经网络的后件部分；

(4)根据步骤(1)所述的第一个目标和第二个目标，计算当前种群的每个所述个体的适应度值；

(5)根据步骤(4)所获得的每个所述个体的适应度值选择当前种群中的个体组成新一代种群；

(6)对步骤(5)所述新一代种群中的个体执行置换交叉操作和转位交叉操作；

操作；

(7)判断经步骤(6)操作后得到的新一代种群中个体数目是否大于初始种群的个体数目的1.5倍，若大于，则执行步骤8)，否则执行步骤6)；

(8)对步骤(7)所述的新一代种群中的每个个体依次执行反密码子变异操作、最大最小变异操作和普通变异操作；