基于自编码神经网络特征提取的回声状态网络研究及过程建模应用

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

• 引言
• 1 基本方法
•   1.1 回声状态网络
•   1.2 自编码神经网络
• 2 基于自编码神经网络特征提取的回声状态网络
• 3 实验结果分析
• 4 结论

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