[发明专利]一种利用现场数据建立神经网络模型的方法

权利要求书

1.一种利用现场数据建立神经网络模型的方法，其特征在于，包括以下步骤：

步骤一，现场DCS数据采样；

首先选择同一时段下某个对象或过程的输入和输出DCS数据，输入、输出分别用变量u,y表示，采样周期为5s；然后将变量u,y分别作时延处理，分别取各个变量前1～n个时刻的数值，形成样本数据：

u(k-1),u(k-2),...,u(k-n),y(k-1),y(k-2),...,y(k-n),y(k),k=n+1,n+2,...,N,]]>

其中，n为3～5的自然数，N＝3000；

步骤二，RBF神经网络辨识

RBF神经网络辨识过程如下：

①获取建模样本：以为输入，y(k)，k＝n+1,n+2,...,N为输出；

②选择合适的网络结构，选取合适的网络参数，包括隐节点数HiddenUnitNum、隐节点重叠系数overlap、删除信号signal＝0；

③采用RBF算法用训练样本训练网络,当连续m个测试误差不再下降时结束训练，停止训练条件为：

|1mΣi=1m-1E(k-i)-E(k)|<ϵ2]]>

式中E(k)为当前的测试误差，E(k-i)为前若干次的测试误差，ε₂为任意小的正实数，m取5；

④如果signal＝0，转⑤，否则，如果当前网络的训练误差与前次网络相比有跳变，即：E-E'＞δ

式中E为当前网络的训练误差，E'为前次网络的训练误差，δ为正实数，取5，则使用前次网络作为辨识结果，辨识结束；否则，转⑤；

⑤根据式计算隐节点、u(k-i)节点和y(k-j)节点的灵敏度；

式中y^(p)为第P个样本的网络输出，d^(p)为第P个样本的目标输出，w_h为第h个隐节点的连接权值，o_h为第h个隐节点对第P个样本的输出，x_k为第P个样本的k个输入，δ_h为第h个隐节点对应的宽度，c_h,k为第h个隐节点对应第k个输入的值；

⑥如果隐节点、u(k-i)节点和y(k-j)节点中有最小的灵敏度满足式

ρmin1nΣm=1n|ρm|<ϵ1]]>

式中ρ_min为隐节点或u(k-i)节点或y(k-j)节点中最小的灵敏度，ρ_m为隐节点或u(k-i)节点或y(k-j)节点的灵敏度，n为隐节点数或u(k-i)节点数或y(k-j)节点数，ε₁为小于1的正实数，

则删除相应最小灵敏度节点，记signal＝1，转到③；否则，剪枝结束，辨识结束；

⑦辨识结束。