[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

摘要

本发明公开了一种遗传算法优化的RBF神经网络的焦化炉温度预测方法。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。本发明首先通过系统的输入输出数据建立径向基函数神经网络模型，然后利用RNA遗传算法来优化网络模型的参数，从而得到焦化炉的温度预测方法。本发明可以有效减小预测误差和模型结构的复杂度，达到很好的预测效果。

主权项

遗传算法优化的RBF神经网络的焦化炉温度预测方法，其特征在于：该方法的具体步骤包括：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：$Y\left(x\left(t\right)\right)=\underset{i=1}{\overset{n_r}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\mathrm{\φ}\left(\frac{\left|\right|x-c_i\left|\right|}{{{\mathrm{\σ}}_i}^2}\right)$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$x\left(t\right)=\left\{\begin{array}{c}[u\left(k\right),u(k-1),y(k-1)]\\ [u\left(k\right),y(k-1),y(k-2)]\end{array}\right.,n=3$x(t)＝[u(k),u(k‑1),y(k‑1),y(k‑2)],n＝4$x\left(t\right)=\left\{\begin{array}{c}[u\left(k\right),u(k-1),y(k-1),y(k-2),y(k-3)]\\ [u\left(k\right),u(k-1),u(k-2),y(k-1),y(k-2)]\end{array}\right.,n=5$其中，u(k)是k时刻系统的输入控制量，y(k)是k时刻系统的实际输出值；步骤2、利用RNA遗传算法优化RBF神经网络模型的参数，具体步骤是：2.1、首先对神经网络模型参数进行四进制编码，得到如下形式的第l代染色体：其中，l＝1,2,…,N，N是种群规模大小，1≤n_r≤D，D是隐含层结点的最大值，C_l是D×(n+1)矩阵，表示矩阵C_l中位于第n列的第n_r个隐含层神经元的中心向量；2.2、选取RBF神经网络的目标函数，形式如下：$J(C_l,{\mathrm{\ω}}_l)=\underset{t=1}{\overset{N_1}{\mathrm{\Σ}}}{|Y_1\left(t\right)-{\hat{Y}}_1\left(t\right)|}^2+\underset{t=1}{\overset{N_2}{\mathrm{\Σ}}}{|Y_2\left(t\right)-{\hat{Y}}_2\left(t\right)|}^2+\mathrm{\λ}(n_r+n)$其中，λ是0到1之间的系数，Y₁(t)、Y₂(t)分别是RBF神经网络的神经元在k时刻对k+t时刻的预测输出值，是与预测输出值Y₁(t)、Y₂(t)对应的神经网络的期望输出值，N₁、N₂分别是从N中选取的两个种群样本；2.3、选取RNA遗传算法的适应度函数，并计算个体的适应度值，形式如下：f＝1/J(C_l,ω_l)其中，f是个体的适应度函数；当适应度函数值大于适应度预设值f_z时，遗传算法终止；2.4、利用轮转法来确定选择算子，形式如下：$P\left(C_l\right)=\frac{f\left(C_l\right)}{\underset{l=1}{\overset{N}{\mathrm{\Σ}}}f\left(C_l\right)}$其中，P(C_l)是个体C_l的选择概率，f(C_l)是个体C_l的适应值；2.5、利用步骤2.4中的选择算子将染色体适应度较高的个体选择出来以交叉概率p_c进行交叉操作，产生下一代个体；2.6、选取合适的变异算子，形式如下：$p_m=a_0+\frac{b_0}{1+e^{a(g-g_0)}}$其中，a₀表示变异概率p_m的初始值，b₀是变异概率的程度，g是进化的代数，g₀是变异概率改变很大的进化代数，a是变异速率；2.7、在个体数目大于种群规模N时，得到剪接算子，形式如下：${\mathrm{Af}}_i={\mathrm{\ρe}}^{-\left|\right|x-c_i\left|\right|}\frac{{\mathrm{\φ}}_i\left(x\right)}{\underset{i=1}{\overset{n_r}{\mathrm{\Σ}}}{\mathrm{\φ}}_i\left(x\right)},(i=\mathrm{1,2},...,n_r)$其中，ρ取正数；2.8、依照步骤2.3计算每个个体的适应度值，并判断是否满足终止条件，如果满足，则为参数的最优解，进行下一步操作；如果不满足，则执行步骤2.3到2.7，直到找到满足终止条件为止；2.9、对染色体进行解码，形式如下：$c_{\mathrm{ij}}=x_{j,\min }+\frac{Q}{4^L-1}\·(x_{j,\max }-x_{j,\min })1\≤i\≤n_r,1\≤j\≤n$${\mathrm{\σ}}_j=\frac{Q}{4^L-1}{w}_{\max }$其中，Q是长度为L的四进制解码产生的整数，x_j,min和x_j,max分别为输入变量的最小值和最大值，w_max是高斯函数的基宽的最大值；2.10、依照步骤1中的步骤1.2依次选取n＝2,3,4和5时的输入结点向量x(t)，并重复步骤2.1到2.9中的步骤，优化神经网络的参数；步骤3、将通过步骤2优化后的神经网络参数带入步骤1中求解出预测模型，并利用该预测模型对过程输出进行预测；在下一时刻，依照步骤1到步骤2中的步骤继续对实际过程进行预测，依次循环。