基于ELM的時序數(shù)據(jù)建模及應(yīng)用研究.pdf

1、使用模型來進行預(yù)測、診斷與分析評價，一直是工業(yè)過程優(yōu)化研究的重點手段。隨著工業(yè)過程的復(fù)雜化，依據(jù)物理化學(xué)機理建立數(shù)學(xué)模型的方法已變得十分困難，人們轉(zhuǎn)而投向基于數(shù)據(jù)驅(qū)動的建模研究，使其在數(shù)十年間得到了飛速的發(fā)展。作為數(shù)據(jù)驅(qū)動建模的一種，人工神經(jīng)網(wǎng)絡(luò)憑借其強大的非線性映射能力成為了建模領(lǐng)域的熱點之一，但隨著數(shù)據(jù)量的增加，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)固有的缺陷和不足被放大，例如訓(xùn)練速度過慢、參數(shù)難以選擇等，另外由于工業(yè)環(huán)境的特殊性，過程數(shù)據(jù)必定會攜帶著不同程

2、度的噪聲干擾，這些因素都將使得模型無法滿足實際需求。針對上述問題，本論文研究了基于超限學(xué)習(xí)機(Extreme learning machine，ELM)的數(shù)據(jù)建模方法，主要的內(nèi)容和研究成果包括:
　　1.針對工業(yè)過程數(shù)據(jù)的特點分析了傳統(tǒng)非線性濾波算法的不足，然后詳細(xì)介紹了一種基于局部最優(yōu)擬合的自適應(yīng)濾波算法，并通過洛倫茲系統(tǒng)及電功率兩組數(shù)據(jù)的去噪實驗將該算法與小波域閾值濾波及擴展卡爾曼濾波進行了對比，證明了該算法能夠更有效地減小工

3、業(yè)過程數(shù)據(jù)中的噪聲干擾。
　　2.針對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中耗時過長、參數(shù)難以選擇的問題，對固定型ELM及增量型ELM進行了研究，并針對增量型ELM收斂速度不穩(wěn)定的問題介紹了一種十分有效的改進算法，然后通過回歸問題的仿真實驗將該改進算法與多種神經(jīng)網(wǎng)絡(luò)進行了對比，從收斂性能、預(yù)測精度、訓(xùn)練速度及網(wǎng)絡(luò)穩(wěn)定性等多個角度評價了改進效果，從而證明了該改進算法的可行性與優(yōu)越性。
　　3.從MATLAB環(huán)境與工業(yè)現(xiàn)場環(huán)境存在本質(zhì)區(qū)別的角度

4、出發(fā)，對能真實反映工業(yè)對象特性的仿真系統(tǒng)提出了需求。以流程工業(yè)綜合自動化半實物仿真實驗系統(tǒng)為平臺，對我國選礦工業(yè)中常用的兩段全閉路磨礦回路進行了動態(tài)仿真，并詳細(xì)介紹了仿真的實現(xiàn)流程，為后續(xù)的數(shù)據(jù)建模及模型驗證提供了支撐。
　　4.以螺旋分級機為建模對象，利用磨礦過程仿真系統(tǒng)產(chǎn)生的數(shù)據(jù)，基于自適應(yīng)濾波算法和超限學(xué)習(xí)機改進算法建立了螺旋分級機的預(yù)測模型，并通過離線及在線驗證的實驗驗證了所建模型的有效性，進而證明了本文所研究的自適應(yīng)濾波