[发明专利]一种利用现场数据建立神经网络模型的方法

摘要

本发明公开了一种利用现场数据建立神经网络模型的方法，通过利用现场运行的大量的DCS数据，建立神经网络模型，克服了传统机理建模的诸多弊端。为了解决神经网络模型泛化能力差的问题，将剪枝算法应用到RBF神经网络中，对网络的隐节点和输入节点进行剪枝，不仅提高了网络的泛化能力，同时也确定了模型的阶次。为了避免误删输入节点，在对输入节点进行剪枝时，采用分开剪枝的策略，即对输入节点中的过程输入和输出分别进行剪枝，这样就能避免将输入节点中过程的输入全部删除的情况。

主权项

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，wh为第h个隐节点的连接权值，oh为第h个隐节点对第P个样本的输出，xk为第P个样本的k个输入，δh为第h个隐节点对应的宽度，ch,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ρmin为隐节点或u(k‑i)节点或y(k‑j)节点中最小的灵敏度，ρm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。