基于非负绞杀与长短期记忆神经网络的动态软测量算法
现代工业过程建模中,生产过程的多变量、非线性及动态性会导致模型复杂度增高且建模精度降低.针对这一问题,将非负绞杀算法(NNG)嵌入长短期记忆(LSTM)神经网络,提出一种基于LSTM神经网络及其输入变量选择的动态软测量算法.首先,通过参数优化生成训练好的LSTM神经网络,利用其出色的历史信息记忆能力处理工业过程中的动态、时滞等问题;其次,采用NNG算法对LSTM网络输入权重进行压缩,剔除冗余变量,提高模型精度,并采用网格搜索法与分块交叉验证对其超参数寻优;最后,将算法应用于某火电厂脱硫过程排放烟气SO2浓度软测量建模,并与其它先进算法进行性能比较.实验结果表明所提算法能有效剔除冗余变量,降低模型复杂度并提高其预测性能.
神经网络、软测量、长短期记忆、动态建模、变量选择、模型简化
40
TP391;TP183;TP273
山东省自然科学基金;国家重点研发计划;国家重点研发计划;山东省重点研发计划项目
2023-04-12(万方平台首次上网日期,不代表论文的发表时间)
共11页
83-93