论文摘要
在复杂化工建模过程中,由于过程数据的时序性、高非线性以及高维数的特点,导致传统的静态神经网络建模无法满足一定的精度。为了解决该问题,提出一种基于自编码神经网络特征提取的回声状态网络模型（features extracted from auto-encoder based echo state network, FEAE-ESN）。传统回声状态网络（echo state network, ESN）方法中,储备池的节点数目很多,输出的维数很高,数据间存在共线性。为解决上述问题,待回声状态网络训练好之后,使用自编码神经网络对其储备池输出进行特征提取。通过自编码网络特征提取,一方面可以有效地降低储备池输出的维数,从而降低数据的复杂度;另一方面提取的特征去除了原有储备池输出的共线性,能够进一步提高广义逆的计算性能;最终提高回声状态网络的建模精度。所提方法 FEAE-ESN用于田纳西-伊斯曼复杂过程建模,仿真结果验证了所提方法的有效性。
论文目录
文章来源
类型: 期刊论文
作者: 朱宝,乔俊飞
关键词: 自编码神经网络,回声状态网络,特征提取,软测量,过程建模
来源: 化工学报 2019年12期
年度: 2019
分类: 工程科技Ⅰ辑,信息科技
专业: 无机化工,有机化工,自动化技术
单位: 北京工业大学信息学部,中国电建集团海外投资有限公司
基金: 国家自然科学基金重大项目（61890930）
分类号: TQ018;TP183
页码: 4770-4776
总页数: 7
文件大小: 1210K
下载量: 169