基于布谷鸟搜索的回声状态网络在流程工业中的应用

摘要

随着流程工业生产的品质要求不断提高，对其控制技术的要求也越来越严格。流程工业过程具有高度非线性、变量之间耦合严重、动态变化复杂等特点。尽管对其研究经历了很长的发展过程，取得了许多颇具成效的研究结果，但时至今日也未能建立一个类似于线性控制领域里成熟的理论体系。因此，对非线性动态特性复杂的流程工业过程进行辨识和控制的研究依然具有重要的意义。本文结合回声状态网络能够映射复杂非线性时间序列的特点，将其应用于流程工业的系统建模和控制当中。
　　论文针对回声状态网络(Echo State Network，ESN)的参数学习过程中，由完全随机生成的储备池使网络的泛化能力较差的问题，提出了一种储备池生成改进方案。通过模拟生物神经元邻接节点间的信息交互较其他节点更为明显的特点，在储备池中引入邻接强度矩阵，表示储备池中神经元节点间的相互作用的潜在能力，以此对储备池的拓扑结构进行优化。优化后的储备池具有相对稳定的结构，避免了储备池连接权矩阵稀疏度难以确定的问题。相对稳定的结构使得储备池更加适用于基于群体智能搜索算法的参数寻优过程。论文根据布谷鸟搜索(Cuckoo Search，CS)算法参数少，收敛速度快，全局搜索能力强，且实现过程简单等特点，将其应用于储备池参数寻优过程中，提出了一种基于布谷鸟搜索的回声状态网络(CS-based ESN，CSESN)算法。论文通过时间序列建模领域里常用的基准函数，即Lorenz混沌系统，在不同储备池规模下对Lorenz混沌系统中的x分量进行建模研究，并比较了CSESN与传统ESN在建模方面的性能差异，实验结果表明了CSESN在精度方面具有明显的改善。论文以连续搅拌釜反应器为例，研究将其应用于流程工业系统的建模当中。
　　论文在CSESN能够明显改善系统建模精度的基础上，提出了一种基于CSESN的神经网络直接逆模型控制方法。为解决直接逆模型开环控制稳定性及鲁棒性均不佳的问题，引入反馈通道对控制器中逆模型进行在线修正，通过递推最小二乘算法(Recursive Least Square，RLS)对CSESN中的网络线性输出层中的权值系数进行在线辨识，使逆模型能够及时跟踪系统发生的变化，逐渐缩小与实际逆模型之间的差异，实现系统的闭环控制。论文以汽水热交换器仿真控制为例，对该控制方法进行验证。实验结果表明了在流程工业控制方面，基于CSESN的神经网络直接逆模型控制具有一定的可行性。

目录

声明

摘要

第一章 绪论

1．1 研究背景

1．2 前人研究成果

1．2．1 系统辨识研究现状

1．2．2 回声状态网络研究现状

1．3 本论文研究的内容

第二章 传统回声状态网络的基础原理

2．1 引言

2．2 ESN的模型结构

2．3 ESN的训练方法

2．4 传统ESN性能特点

2．5 实例研究

2．6 本章小结

第三章 基于CSESN的时间序列预测方法研究

3．1 引言

3．2 CS算法简介

3．3 储备池的拓扑结构优化

3．4 基于CSESN的时间序列预测

3．4．1 CSESN算法的基本思路

3．4．2 基于CSESN的预测模型构建过程

3．5 实验验证及分析

3．5．1 基于CSESN的Lorenz混沌系统辨识研究

3．5．2 基于CSESN的时间序列辨识方法在流程工业的应用

3．6 本章小结

第四章 基于CSESN直接逆控制在流程工业中的应用

4．1 引言

4．2 神经网络控制

4．3 基于CSESN的神经网络直接逆控制

4．3．1 离线建立CSESN逆模型

4．3．2 递推最小二乘逆模型在线学习

4．4 热交换器神经网络直接逆模型控制器设计

4．4．1 汽水热交换器过程

4．4．2 控制器设计

4．5 实验分析

4．6 本章小结

第五章 总结与展望

5．1 总结

5．2 未来研究方向

参考文献

致谢

导师和作者简介