[发明专利]遗传算法优化的RBF神经网络的焦化炉温度预测方法

说明书

技术领域

本发明属于自动化技术领域，涉及一种基于RNA遗传算法优化的径向基函数(RBF)神经网络的焦化炉温度预测方法。

背景技术

在实际工业控制过程中，由于干扰、非线性等因素，焦化炉的温度模型通常是不易得到的。对于焦炭炉温度的动态特性，RBF神经网络模型具有良好的逼近速度，同时可以提高温度预测模型的精度，又可以简化模型结构。但是,RBF神经网络模型的参数初值选取没有规律可循，不适当的选取会使网络收敛慢，甚至造成网络发散。RNA遗传算法是模拟生物的遗传和进化过程形成的随机搜索优化算法，通过全局搜索可以得到最优参数。如果能将RNA遗传算法和RBF神经网络建模相结合，既能迅速逼近焦化炉实际温度，又保证了模型结构简单。

发明内容

本发明的目的是针对焦化炉温度过程建模困难的问题，通过数据采集、模型建立和优化，提出了一种基于RNA遗传算法优化的RBF神经网络的焦化炉温度预测方法。该方法可以有效减小预测误差和模型结构的复杂度，从而可以达到很好的预测效果。

本发明的步骤包括：

步骤1、通过系统的输入输出数据，建立RBF神经网络模型，具体步骤是：

1.1、由包含输入层、输出层和隐含层的RBF神经网络结构，得到网络的映射关系即系统的输入输出模型，形式如下：

Y(x(t))=Σi=1nrωiφ(||x-ci||σi2)]]>

其中，x(t)＝(x₁,x₂…,x_n)表示n个输入结点向量，Y(x(t))表示网络的输出变量，c_i∈Rⁿ表示第i个隐含层神经元的中心向量，Rⁿ是欧式空间，是一个高斯函数，||x(t)-c_i||表示x(t)到c_i的径向距离，ω_i表示第i个隐含层和输出层之间的连接权，σ_i是高斯函数的基宽，1≤i≤n_r，n_r是隐含层的结点数。

1.2、将系统输入和输出值组成输入向量，并依次选取输入向量，利用穷举法列出其结构，形式如下：

x(t)＝[u(k),y(k-1)],n＝2