基于正则化的函数连接神经网络研究及其复杂化工过程建模应用

• 作者: 贺彦林 田业 顾祥柏 徐圆 朱群雄
• 来源期刊: 化工学报
• 关键词: 神经网络 正则化 过程建模 高密度聚乙烯
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 过程系统工程
• 页码范围: 1072-1079
• 页数: 7页
• 分类号: TQ29
• 语种: 中文
• DOI: 10.11949/0438-1157.20191474

摘要

在化工过程的建模中，由于过程数据的高维度和高非线性，导致计算量大幅提升和建模难度加大。为了解决这一问题，提出了一种基于正则化方法的函数连接神经网络模型（regularization based functional link neural network, RFLNN）。所提出的RFLNN方法里，通过使用正则化的方法对函数连接神经网络的权值进行优化，一方面大幅降低网络计算复杂度和计算量，另一方面极大程度上克服网络局部极值和过拟合的问题，以提高函数连接神经网络的学习速度和精度。为了验证所提出方法的有效性，首先采用UCI数据中Real estate valuation数据对其性能进行测试；随后将所提的方法应用于高密度聚乙烯（high density polyethylene，HDPE）复杂生产过程进行建模。UCI标准数据与工业数据的仿真结果表明，与传统FLNN对比，RFLNN在处理高维复杂化工过程数据时具有收敛速度快、建模精度高等特点。