论文部分内容阅读
随着测控领域对测试要求的不断提高,传统仪表在精度上、性能上,功能上都取得了长足的进步,但是由于技术落后、成本高以及工业环境差等原因,传统仪表仍然无法满足工艺复杂、被测参数多的场合,尤其是在诸如冶金、化工、煤炭、石油等工业中,传统仪表仍然停留在手动操作阶段,却无法在线实时对参数进行测量。正是基于上述等原因,虚拟仪表以其独有的优势而出现,并且在测控领域逐渐地取代了传统仪表的地位,成为自动控制领域重点研究的方向。构建一个虚拟仪表的核心是对实际生产过程相应工艺参数进行数学建模,本文拟采用人工神经网络方法来解决这一问题,因而对基于统计建模思想的人工神经网络方法进行了深入研究。其中重点论述了BP神经网络和RBF神经网络,提出了基于BIC准则的BP神经网络隐层节点个数的优选方法,并利用遗传算法对BP网络初始连接权值和阈值进行优化;针对单个RBF网络分类精度不高的缺点,设计了基于Adaboost算法的RBF强分类器。仿真结果表明,本文提出的这些改进方法可以有效的进行网络结构优选并进一步提高网络的训练速度和分类精度。最后,根据本文所述的建模方法,利用LabVIEW软件编写了一个聚合物黏度软测量系统。该系统可以对从工业现场实时采集的数据进行处理分析,并根据这些数据最终给出聚合物的黏度值。