基于智能优化的软测量建模方法-研究与应用

《基于智能优化的软测量建模方法-研究与应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、硕士学位论文摘要近年来，为了保证生产过程的正常进行和获得最大的经济效益，先进控制技术纷纷被应用于现代生产过程中。其中之一的软测量技术，已在解决工业生产中质量指标的实时测量和控制问题中崭露头角。众所周知，软测量技术的核心问题是建模，而模型参数的优化是关键。近期随着计算智能的发展，一些新型的智能算法不断提出，同时也因其高效的优化性能，被成功应用于解决很多实际问题。因此，本论文将针对软测量建模中单一或多模型参数优化的需求，在对常用的智能优化算法局部和全局搜索等特性对比分析的基础上，将细菌觅食算法(BacteriaForagingOptimizationAlgorithm，BFOA)与P

2、SO、GA等智能优化算法相结合，得到相应的改进算法，并将其应用于不同模型模型参数的优化中，以期提高模型的预测精度和泛化能力。具体工作主要包括：1)针对单一软测量建模中模型参数的优化需求，在对PSO与BFOA算法特性深入分析之后，将二者有机结合提出了一种新型细菌觅食粒子群混合优化算法。该算法将PSO粒子移动的思想引入BFOA，以期有效解决细菌觅食算法趋向性操作中细菌位置更新盲目性的问题。改进后的算法，经使用典型测试函数寻优验证，结果表明算法收敛速度及寻优能力均得以改善；进而将其用于成品油研究法辛烷值LS．SVM模型参数的优化，预测结果表明基于BSOA．LSSVM的软测量模型具有更高

3、的预测精度高及更好的泛化能力。2)在对BFOA趋向性操作深入分析的基础上，首先对趋向性操作的步长引入了自适应机制，其次将GA变异及交叉算子引入BFOA，进而提出了一种自适应细菌觅食遗传混合算法。在对该算法采用典型测试函数验证其寻优性能后，将其应用于基于FCM的多模型参数优化中，建立了工业乙烯浓度的预测模型，预测结果表明该方法能有效满足系统的复杂特性，更为准确的估计主导变量。采用以上两种改进细菌觅食算法并将其用于单一或多模型模型参数的优化中，仿真结果表明两种改进混合算法可以有效弥补算法本身的缺陷，实现优势互补，提高算法的局部搜索及全局寻优能力，所建软测量模型预测精度更高，泛化能力更

4、好。关键词：软测量；多模型；细菌觅食算法；最,j、--乘支持向量机；粒子群优化算法；遗传算法基于智能优化的软测量建模方法研究及应用AbstractInrecentyears，inordertoguaranteethenormalproductionprocessandobtainthemaximumeconomicefficiency,advancedcontroltechnologyhavebeenusedinmodernproductionprocess．Softsensortechniqueisdevelopedtosolvetheproblemofreal—timemea

5、surementandcontrolqualityintheindustrialfield．Aseveryoneknows，thecoreproblemofsoftsensortechniqueismodeling，andoptimizationoftheparametersisthekey．Mostrecentlywiththedevelopmentofcomputationalintelligence，somenovelintelligentalgorithmshavebeenproposed，thesealgorithmsovercomethedefectsoftradit

6、ionaloptimizationalgorithms，hasbeensuccessfullyappliedtosolvemanypracticalproblemsduetoitshighperformanceoptimization，Therefore，thispaperwillgetthecorrespondingimprovementalgorithmaccordingtotherequirementsofsingleormultiplemodelparameteroptimizationofsoftsensormodeling，basedonthecontrastanal

7、ysisoffeaturesofthecommonintelligentoptimizationalgorithmsuchaslocalandglobalsearch，tocombinethebacterialforagingalgorithm(BFOA)withPSO、GAandotherintelligentoptimizationalgorithmsalsousedinoptimizationofdifferentmodelparametersinordertoachiev