带有稳定学习的递归神经网络动态偏最小二乘建模

被引：24

作者：

王魏 ^{[1
]}

柴天佑 ^{[1
,2
]}

赵立杰 ^{[1
,3
]}

机构：

[1] 东北大学流程工业综合自动化国家重点实验室

[2] 东北大学自动化研究中心

[3] 沈阳化工学院信息工程学院

来源：

控制理论与应用 | 2012年 / 29卷 / 03期

基金：

国家创新研究群体科学基金;

关键词：

偏最小二乘; 递归神经网络; Hammerstein模型; 软测量;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算];

学科分类号：

140502 [人工智能];

摘要：

针对目前非线性动态偏最小二乘(PLS)建模方法在拟合较强非线性化工过程时存在的问题,提出一种基于稳定学习的递归神经网络动态PLS建模方法.该算法将递归神经网络与Hammerstein模型相结合,对外部PLS提取的特征向量进行内部建模,具有逼近较强非线性化工过程的能力,改善了模型的适用范围.此外,采用带有稳定学习的参数更新算法对模型参数进行在线修正,改善了模型的预测精度和自适应能力.将此方法应用于氧化铝生产过程铝酸钠溶液组分浓度建模实验,仿真结果表明,本方法是可行有效的.

引用

页码：337 / 341

页数：5

共 5 条

[1]

多变量动态模糊偏最小二乘建模方法及其应用 [J].