论文部分内容阅读
区间神经网络是目前解决不确定性数据建模的一种有效方法,它利用区间数表示不确定性数据,利用神经网络完成建模的任务。目前对于区间BP神经网络具有较系统研究成果,然而该网络所采用的BP算法存在收敛速度慢、局部最小等缺点,而基于智能优化的学习算法也由于收敛时间长而限制了其在实际中的应用。为了克服上述问题,本文提出了两种新型的区间神经网络模型—区间RBF神经网络和区间RVFL网络。并将区间神经网络应用到复杂工业过程建模中,为进一步实现复杂工业过程的区间优化提供了模型基础。本文主要的研究内容概括如下:首先,构造了区间RBF神经网络模型。给出了区间RBF神经网络的结构,推导了适合区间网络参数学习的训练算法。所建立的区间RBF神经网络是一种全区间神经网络模型,利用减聚类算法计算隐含层参数,利用梯度下降算法调节输出层权值。通过仿真实验,证明了区间RBF神经网络相比于区间BP神经网络在收敛性能和泛化能力方面的优越性。其次,在传统点RVFL网络的基础上,利用区间分析理论建立了区间RVFL网络。根据网络参数形式的不同,将区间RVFL网络分为两类。两类区间网络相同的是,隐含层权值随机产生并固定不变,输出层权值通过线性方程组求解。通过算例仿真验证,说明了第一类区间RVFL网络相比于第二类区间RVFL网络和区间BP神经网络的优点。最后,在考虑传感器测量误差的情况下,将谷氨酸发酵过程的操作变量和状态变量扩展为区间数据,建立了谷氨酸发酵过程的区间神经网络模型。通过引入相似度函数,对不同初始条件的发酵过程进行分类,从而建立面向谷氨酸发酵过程的集成区间RVFL网络。仿真结果表明所建立的集成模型不仅能够良好的预测过程的状态变量,还可以给出在考虑输入存在误差时,状态变量的偏差,同时各项指标满足模型精度要求。在论文最后,本文还提出了基于上述研究成果的接下来进一步的研究方向。