[发明专利]一种基于主成分分析的神经网络预测方法

说明书

本发明公开了一种基于主成分分析的神经网络预测方法，包括如下步骤：步骤1、采集过程数据和质量数据，利用主成分分析对数据进行处理；步骤2、使用步骤1中得到的数据，建立神经网络模型，并做预测。本方法首先采集化工过程中产生的过程变量和质量变量，并利用主成分分析法对数据做预处理，降低数据维度，避免冗余，将处理好的数据输入到径向基神经网络的预测模型中，求解并优化相应参数，使模型预测准确率达到预定值。不同于传统的预测方法，本方法结合主成分分析法和径向基神经网络模型，减少了建模的复杂度，提高了模型的精度。

技术领域

本发明属于自动化工业技术领域，涉及到一种基于主成分分析的神经网络预测方法。

背景技术

随着现代化工业过程的不断成熟化、复杂化，越来越多的工业过程信息可以得到采集。但是，在一些化工过程中，重要的变量只能依据离线的分析值进行调节，时滞很大，使工业过程控制困难。如果这些变量不能实时得到，不仅不能保证系统的所需性能，甚至会直接影响化工装置的生产能力及质量的稳定性。为了实时得到化工过程中难以测量的变量，达到精准控制，提出了一种基于主成分分析的神经网络预测方法。

发明内容

本发明针对传统算法在数据处理中存在数据冗余，建模复杂度较高且建模精度较低等问题，提出了一种基于主成分分析的神经网络预测方法。该方法首先采集化工过程中产生的过程变量和质量变量，并利用主成分分析法对数据做预处理，降低数据维度，避免冗余，将处理好的数据输入到径向基神经网络的预测模型中，求解并优化相应参数，使模型预测准确率达到预定值。不同于传统的预测方法，本方法结合主成分分析法和径向基神经网络模型，减少了建模的复杂度，提高了模型的精度。

本发明的技术方案是通过数据采集、数据预处理、系统建模、优化参数等手段，确立了一种基于主成分分析的神经网络预测方法。利用该方法提升了模型预测的准确性。

本发明的方法步骤包括：

步骤1、采集过程数据和质量数据，利用主成分分析对数据进行处理。具体步骤是：

1-1.定义标准化原始数据的第一主成分，形式如下：

t₁＝Xp₁＝[v₁ v₂...v_J]p₁且||p₁||＝1

其中，t₁是矩阵X的第一主成分，X∈R^N×J是标准化后的原始数据矩阵，N和J分别是数据样本个数和过程数据个数，p₁是矩阵X的协方差矩阵的第一标准化特征向量，[v₁ v₂...v_J]分别是第一、第二、…、第J过程数据。

1-2.根据步骤1-1，求得t₁的方差，形式如下：

其中，和X^T分别是第一标准化特征向量的转置和矩阵X的转置，Var(t₁)是t₁的方差。使得t₁能携带最多的原变异信息，即要求t₁的方差取到最大值。

1-3.结合步骤1-1和步骤1-2，根据拉格朗日算法可以得到：

Vp₁＝λ₁p₁

Var(t₁)＝λ₁

其中，λ₁是协方差矩阵V的第一特征值也是最大特征值。

1-4.以此类推，并重复步骤1-1至1-3，可以得到