论文部分内容阅读
对复杂的化工过程进行过程仿真、优化及控制是研究化工过程的重要处理手段,良好控制的前提是对化工过程进行精准的建模。化工过程往往是强非线性、机理复杂、影响因素多,很难通过过程机理分析来建立模型,因此,基于神经网络、模糊神经网络及核学习方法等计算智能方法在非线性动态辨识领域的发展及其迅速。基于统计学习理论的核学习方法是一种新型的机器学习方法,针对典型的化工过程,提出基于核偏最小二乘(Kernel Partitial Least Square,KPLS)及核递推最小二乘(Kernel Rrecruit Least Square,KRLS)的核学习建模方法。将两种核学习方法分别应用到pH酸碱中和过程及连续搅拌反应釜(Continous Stirred Tank Reactor,CSTR)过程实例中,为验证其有效性,在同等条件下,还与现有方法进行比较,实验结果表明,KPLS与KRLS方法均具有很高的动态建模精度,且KRLS方法的建模效果最好。论文的主要研究如下:(1)在模式识别和机器学习领域里,核学习方法是研究热点。pH中和过程又分为弱酸强碱中和过程、强酸强碱中和过程及具有缓冲流的双输出中和过程。在分析核学习方法的原理及两种化工过程机理的基础上,研究了现有的支持向量机(Support Vector Machine,SVM)及核主成分分析(Kernel Principal Component Analysis,KPCA)等核学习方法及其算法实现。(2)研究KPLS方法的基本原理及其学习算法。偏最小二乘(Partitial Least Square,PLS)方法将输入变量投影在潜在变量上,利用输入与输出变量之间的协方差信息提取潜在特征。KPLS方法基于核函数技巧,将输入映射到高维特征空间中,再构建线性PLS回归模型,将线性不可分的问题通过非线性映射转换为线性问题。KPLS方法同时具有核函数技巧和PLS的优点,有效地消除了无用的干扰信息,在最大程度上提取出变量之间的潜在特征,实现降维、转换多重相关性及消除干扰信息等多种功能。针对pH酸碱中和过程以及CSTR过程,构建基于KPLS方法的模型,在同等情况下,KPLS方法的辨识精度高于现有SVM、KPCA-SVM等方法。(3)研究KRLS方法的基本原理及其学习算法。它应用了近似线性依赖技术(Approximate linear dependency,ALD)的稀疏化准则,结合了核函数的优点,限制了核矩阵维数的升高,降低了计算复杂度及存储量,能适用于较大规模数据集的训练以及动态时变过程的建模。针对两种化工过程,建立基于KRLS的辨识模型,实验表明KRLS方法学习速度稳定快速且建模精度高。