[发明专利]基于粒子群算法和神经网络的辛烷值损失预测方法

权利要求书

1.一种基于粒子群算法和神经网络的辛烷值损失预测方法，其特征在于，其步骤如下：

步骤一：采集催化裂化汽油精制脱硫装置中的操作变量的原始数据和辛烷值损失值数据，并对操作变量的原始数据进行预处理，得到操作变量的样本数据；

S11、根据操作变量的原始数据的取值范围，对超出取值范围的原始数据进行剔除，得到数据I；

S12、将数据I中的第一个操作变量作为当前变量；

S13、判断当前变量中数据的缺失个数是否大于9，若是，则认为当前变量存在数据严重缺失，并将当前变量剔除；否则，当前变量无缺失或缺失较少，并采用当前变量的平均值对当前变量的数据缺失处进行补充；

S14、将数据I中的下一个操作变量作为当前变量，重复执行步骤S13，直至扫描整个数据I，得到数据II；

S15、利用拉依达准则对数据II中的操作变量进行处理得到数据III，再利用步骤S12～步骤S14的操作方法对数据III进行处理，得到操作变量的样本数据；

步骤二：采用决策树回归和皮尔森相关系数对操作变量的样本数据进行特征筛选，得到特征变量及特征变量对应的样本数据；

S21、将操作变量的样本数据输入决策树回归模型中，得到操作变量的权重；

S21.1、将367个操作变量作为输入变量X'，操作变量对应的辛烷值损失值数据作为输出变量Y，输入变量X'与输出变量Y是一一对应关系，将输入变量X'和输出变量Y联合后作为训练数据集：

D＝{(X₁′,Y₁),(X₂′,Y₂)…(X_N′,Y_N)}

其中，D为训练数据集，N为操作变量的数量；

S21.2、将输入空间划分M'个单元R₁,R₂,…,R_M′，在单元R_m上有一个固定的输出值c_m，则回归树模型为：

其中，f(x′)表示待预测样本的值，x′表示待预测样本，I(·)表示指示函数，m＝1,2,…,M′；I(x′∈R_m)表示判断待预测样本是否在区域内的函数，如果是I(x′∈R_m)＝1，否则I(x′∈R_m)＝0，就是单元R_m的均值；

S21.3、利用平方误差表示回归树模型对于训练数据集的预测误差：

其中，X_i′′表示第i′个的输入变量，Y_i′表示第i′个的输入变量对应的输出变量，i′＝1,2,…,N′，N′表示单元R_m上输入变量的数量；

S21.4、为表示回归树对于训练数据的预测误差，每个单元上的最优输出值采用平方差最小的准则进行求解；计算单元R_m上的所有输入变量X_i′′对应的输出变量Y_i′的均值，也即单元R_m上的输出值c_m的最优值

S21.5、采用启发式的方法，选择第j个输入变量X_j′和输入变量X_j′的取值s′作为切分变量和切分点，并定义两个区域：

R₁(j,s′)＝{X′|X_j′≤s′}

R₂(j,s′)＝{X′|X_j′s′}

R₁和R₂两个区域代表的是二叉树所划分的两个区域；j代表的是输入变量X_j′的第j个特征；s′则代表j的指定特征值；

S21.6、构建寻找最优切分变量j和最优切分点s的函数：

其中，c₁表示第一个特征层的样本值，c₂表示第二个特征层的样本值，这里套了两层求最小值的函数min，第一最小值的函数min是各个特征在自己的特征值层面上选出最小值，即各个特征选出最佳分割特征值，外层最小值的函数min则是在各个特征层面上，选择误差最小的特征，是局部最佳的特征值；

S21.7、针对固定切分变量j找到最优切分点s：

其中，表示c₁的均值，表示c₂的均值；

S21.8、在输入变量中筛选出最优的切分变量j，构成一个对(j,s′)；

S21.9、依次将输入空间划分为两个区域，对每个区域重复执行步骤S21.1至S21.8，直到满足停止条件为止，得到最小二乘树的回归树模型；

在获得最小二乘树的回归树模型的过程中通过操作变量的基尼值获得操作变量的权重；

S22、将权重大于0.01的操作变量作为预选特征变量；

S23、计算预选特征变量的样本数据之间的皮尔森相关系数，判断预选特征变量之间是否存在强共线性；

S24、对存在强共线性的预选特征变量进行分析，删除作用小的预选特征变量，得到特征变量及特征变量的样本数据；

步骤三：构建四层BP神经网络，利用特征变量对应的样本数据和辛烷值损失值数据对四层BP神经网络进行训练得到BP神经网络模型，并将BP神经网络模型作为辛烷值损失预测模型；

步骤四：利用粒子群算法和辛烷值损失预测模型对特征变量对应的样本数据进行迭代寻优，输出最小的辛烷值损失值对应的特征变量的取值。