[发明专利]一种基于ALIESN在线学习算法的脱丁烷塔软测量建模方法

权利要求书

1.一种基于ALIESN在线学习算法的脱丁烷塔软测量建模方法，其特征在于：包括以下步骤：

(1)收集在生产丁烷过程中的关键变量在正常工况下的数据，所述关键变量包括主要包括X₁＝顶部温度值、X₂＝顶部压力值、X₃＝顶部丁烷回流量值、X₄＝流向下一过程的丁烷流量值、X₅＝塔板温度值、X₆＝底部1区域的温度值、X₇＝底部2区域的温度值，以及位于脱丁烷塔底部的丁烷浓度y，分别将这些数据存入数据库，所有变量的采样周期为12min；所述关键变量为X＝{xi∈Rm}i＝1,2,…,n，y∈Rn，R为实数集，其中，n为样本个数，m为辅助变量个数，主导变量个数为1；

(2)对以上关键变量进行基于Z-Score归一化方法的预处理，再将远大于1的异常值变量剔除，得到均值为零，方差为1的新数据集，所述新数据集为辅助变量和主导变量组成的时间序列；

(3)采用NARX模型，对辅助变量和主导变量进行动态建模，得到具有 动态特性的ALIESN输入变量，所述具有动态特性的ALIESN输入变量包括含有过去信息的时间序列数据集；

(4)将前n个时间序列的ALIESN输入变量数据集进行离线学习，通过ALIESN岭回归离线学习算法得到基于最小二乘法的神经网络离线训练输出权值；

所述步骤(4)具体为：

①设定ALIESN网络输入层、隐层及输出层变量的维数分别为K＝13、N＝50及L＝1，网络在n时刻的输入层、隐层及输出层神经元为：

网络的输入连接权值矩阵、SR内部连接权值矩阵、输出连接权值矩阵及由输出反馈至SR的反馈连接权值矩阵分别表示为：

各权值的维数依次为：N×K维，N×N维，L×2(K+N+L)维，N×L维；

②给定一个长度为T＝n的输入/输出序列：

(u(1),d(1)),(u(2),d(2)),…,(u(T),d(T))，并将其输入至网络，训练ALIESN网络使其输出y(n)逼近输出d(n)；

③初始化网络，SR初始状态x(0)随机取值，输入连接权值矩阵Wⁱⁿ及反馈连接权值矩阵W^back取服从正态均匀分布的值，SR内部连接权值矩阵W的稀疏连接系数及稀疏度为min(10/N,1)的稀疏矩阵；

④ALIESN第n+1时刻状态更新方程为：

x(n+1)＝(1-a)x(n)+f(Wⁱⁿu(n+1)+Wx(n)+W^backd(n))，其中，当n＝0时，取d(0)＝0，x(0)＝0，f通常取对称型Sigmoid函数；

⑤从时刻T₀＝1以后，收集双倍大小的“增广”状态(u(n)，u²(n))＝(u₁(n)，...，u_K+N+L(n)，u₁²(n)，...，u_K+N+L²(n))进入状态收集矩阵；这将产生大小为1×2(K+N+L)的输出权重矩阵Wout，矩阵M的阶数为(T-T₀+1)×2(K+N+L)；计算M的伪逆矩阵(广义逆矩阵)M^-1，同样，将输出状态d(n)的反双曲正切函数tanh^-1d(n)收集至矩阵T，矩阵T的阶数为(T-T₀+1)×L；T中收集的是tanh^-1d(n)而非tanh^-1d(n-1)，舍弃前T₀状态目的是消除网络初始瞬态的影响，可以确定T₀时刻后网络不再受起始瞬态的影响；

⑥神经网络离线训练输出权值W^out为(W^out)^T＝M^-1T，将式中的(W^out)^T转置便得W^out；

⑦计算输出方程为：

y(n+1)＝f^out(W^out(x(n+1),u(n+1),y(n)，x²(n+1),u²(n+1),y²(n)))，其中，

u(n+1),x(n+1),y(n)，u²(n+1),x²(n+1),y²(n)表示u(n+1)、x(n+1)、y(n)、u²(n+1)、x²(n+1)、y²(n)、这六个向量的合并；f^out通常取对称型Sigmoid函数或线性函数；

(5)以均方误差MSE作为网络学习精度的评价指标，通过计算离线学习算法得到的输出变量与实际采样得到的输出变量的MSE，当得到的MSE满足精度要求，则进行下一步，否则，向离线训练数据集增加新采集的数据进行再次训练，直到满足精度要求为止；

(6)在得到满足精度要求的神经网络离线训练输出权值后，将该输出权值作为RLS在线学习的初始输出权值，从ALIESN输入变量的第n+1个数据开始进行输出权值在线训练，得到最终的网络输出权值和预测的输出变量。