基于遺傳算法與人工神經(jīng)網(wǎng)絡(luò)的加熱爐建模方法研究.pdf

1、加熱爐是一個(gè)特性復(fù)雜的工業(yè)生產(chǎn)對(duì)象，對(duì)于加熱爐的建模，傳統(tǒng)的建模方法往往不夠精確，投運(yùn)效果不盡如人意。隨著智能技術(shù)的蓬勃發(fā)展，以BP神經(jīng)網(wǎng)絡(luò)為代表的神經(jīng)網(wǎng)絡(luò)建模方法在工業(yè)過(guò)程中的應(yīng)用日漸廣泛。遺傳算法作為一種進(jìn)化計(jì)算方法，具有的全局搜索能力能夠較好地克服BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值的缺點(diǎn)。因此，研究將BP神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合的方法十分必要。
　　本文提出了一種基于歷史數(shù)據(jù)的加熱爐神經(jīng)網(wǎng)絡(luò)建模方法。該方法首先確定BP神經(jīng)網(wǎng)絡(luò)結(jié)

2、構(gòu)得到網(wǎng)絡(luò)模型的參數(shù)個(gè)數(shù)。然后通過(guò)遺傳算法對(duì)編碼后的個(gè)體反復(fù)地選擇、交叉、變異，最終獲得的最優(yōu)個(gè)體包含BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的最佳參數(shù)組合，將其解碼后作為BP神經(jīng)網(wǎng)絡(luò)的初始值。最后通過(guò)BP算法訓(xùn)練得到加熱爐對(duì)象的神經(jīng)網(wǎng)絡(luò)模型。
　　本文所做的主要工作與貢獻(xiàn)有以下幾點(diǎn):
　　(1)針對(duì)加熱爐對(duì)象的復(fù)雜特性，本文從對(duì)象的輸入輸出特性出發(fā)，研究了利用神經(jīng)網(wǎng)絡(luò)對(duì)加熱爐爐溫建模的有效性，通過(guò)對(duì)比有效性指標(biāo)，解決了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)難以選擇的

3、問(wèn)題。
　　(2)本文提出了將遺傳算法應(yīng)用于加熱爐神經(jīng)網(wǎng)絡(luò)建模中，通過(guò)遺傳算法的大規(guī)模全局搜索能力優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值和閾值，避免了網(wǎng)絡(luò)陷入局部極小值的缺點(diǎn)，加快了網(wǎng)絡(luò)的收斂速度?；谠摲椒ǐ@得的模型學(xué)習(xí)能力更強(qiáng)，預(yù)測(cè)效果更好。
　　(3)為了加快遺傳算法的收斂速度，提高運(yùn)算效率，本文基于加熱爐的運(yùn)行數(shù)據(jù)，對(duì)遺傳算法進(jìn)行參數(shù)自適應(yīng)調(diào)整。設(shè)計(jì)并實(shí)現(xiàn)了變異概率自適應(yīng)的遺傳算法，加快了神經(jīng)網(wǎng)絡(luò)模型參數(shù)的收斂速度。