基于粒子群算法的氧樂果合成過程建模研究.pdf

1、我國作為一個農業(yè)大國，農業(yè)是國家經濟的命脈，關系著國家的安定與社會的發(fā)展。農藥是確保農業(yè)產量的重要因素，農藥的產量以及質量對我國農業(yè)甚至國家的經濟發(fā)展都有重大的影響。為了提高氧樂果等農藥產品的質量，對傳統(tǒng)的農藥生產過程進行改善是很有必要的。本文以氧樂果合成過程的溫度為研究對象，為其建立合成過程的較好模型，有利于提高產品質量與生產水平，進而創(chuàng)造明顯的經濟效益。
　　本文分析了氧樂果合成的工藝流程，并對氧樂果合成過程的特性與對象模型進

2、行了分析，闡明了氧樂果合成過程具有非線性、大滯后、時變和擾動復雜的特點，并分析了氧樂果合成過程中的影響因素。它是典型的間歇過程，常規(guī)的建模方法很難滿足其建模需要。然而，神經網絡、模糊邏輯和進化算法的應用發(fā)展，為這樣復雜對象的建模提供了新的途徑。
　　本文的氧樂果合成過程建模方法是把粒子群算法和支持向量回歸機相結合的。標準粒子群算法存在著一些缺陷，在這把整個種群分成兩部分，兩部分按照三角函數的慣性策略分別進行進化，并利用測試函數仿真

3、，結果表明該算法收斂速度快，搜索精度高。然后通過對機器學習與統(tǒng)計學習理論的介紹，進而引出支持向量機的原理和方法，介紹了最優(yōu)超平面與核函數，并且著重介紹了支持向量回歸機的數學模型。對氧樂果合成過程反應特點進行分析，把改進后的粒子群算法和支持向量回歸機集合起來，對溫度對象進行辨識，建立了氧樂果合成過程PSO-SVR模型，并將它和靜態(tài)BP模型對比，仿真結果表明該模型結合了PSO與SVR的優(yōu)點，更好地反應了系統(tǒng)的動態(tài)特性，模型精度高，推廣能力較