基于递归自组织RBF神经网络的SVI软测量研究.docx

基于递归自组织RBF神经网络的SVI软测量研究
基于递归自组织RBF神经网络的SVI软测量研究
摘要：
软测量是一种利用数学模型和计算机技术对复杂工业过程进行监控和预测的方法。支持向量机（SVM）作为一种常用的软测量模型，在一定程度上解决了非线性问题的建模和预测。然而，传统的SVM在处理高维数据集时存在计算量大、存储需求高等问题。为此，本文提出了一种基于递归自组织RBF神经网络的SVI软测量方法，以解决传统SVM的局限性。首先，介绍了SVI软测量的基本原理和流程；然后，详细介绍了递归自组织RBF神经网络的结构和训练算法；最后，通过实验验证了所提出方法的有效性和优越性。
关键词：软测量，支持向量机，递归自组织RBF神经网络
1.引言
软测量技术是工业过程监控和预测的重要方法，通过利用数学模型和计算机技术对工业过程进行建模和预测，提高了生产效率、降低了生产成本。在软测量方法中，支持向量机（SVM）是一种常用的非线性建模工具，具有较好的泛化能力和预测精度。然而，传统的SVM在处理高维数据集时存在计算量大、存储需求高等问题。
为了克服传统SVM的局限性，本文提出了一种基于递归自组织RBF神经网络的SVI软测量方法。递归自组织RBF神经网络（RSRBF）是一种具有自适应学习能力的神经网络模型，通过递归的方式自动确定RBF（径向基函数）的中心和宽度，从而实现数据的自组织和特征提取。与传统的SVM相比，RSRBF神经网络具有较小的计算量和存储需求，并且能够更好地处理高维数据集。
2.SVI软测量方法
SVI软测量方法是一种基于SVM的软测量方法，通过构建一个支持向量回归（SVR）模型对工业过程进行建模和预测。SVR模型的基本原理是将非线性映射后的数据映射到高维特征空间中，然后在特征空间中构建线性模型。通过引入核函数，SVR模型能够有效处理非线性问题。
SVI软测量方法的流程如下：首先，收集和预处理工业过程的数据；然后，根据预处理过的数据构建SVR模型；接下来，对模型进行训练和优化，以提高模型的预测精度；最后，利用优化后的模型对工业过程进行建模和预测。
然而，传统的SVM在处理高维数据集时存在计算量大、存储需求高等问题，因此对于大规模工业过程的监控和预测应用，传统SVM方法存在一定的局限性。
3.递归自组织RBF神经网络
递归自组织RBF神经网络（RSRBF）是一种具有自适应学习能力的神经网络模型，通过递归的方式自动确定RBF的中心和宽度，实现数据的自组织和特征提取。RSRBF神经网络的结构包括输入层、隐含层和输出层。输入层用于接收输入数据，隐含层由多个RBF神经元组成，通过学习得到每个RBF神经元的中心和宽度。输出层用于输出网络的预测结果。
RSRBF神经网络的训练算法基于最小均方误差准则，通过迭代优化RBF神经元的中心和宽度，最终得到网络的预测模型。具体的训练算法包括初始化RBF神经元的中心和宽度、计算隐含层响应和输出层权重、利用梯度下降法更新RBF神经元的中心和宽度等步骤。
与传统的SVM相比，RSRBF神经网络具有较小的计算量和存储需求。首先，RSRBF神经网络通过自适应学习确定RBF神经元的中心和宽度，避免了手动确定参数的繁琐过程。其次，RSRBF神经网络通过递归的方式，通过从小数据集开始递归地增加数据集的大小，自动构建和训练模型，使得模型能够更好地处理高维数据集。
4.实验与结果
为了验证所提出方法的有效性和优越性，本文在一个真实的工业过程数据集上进行了实验。首先，收集了工业过程的数据，并进行了预处理工作；然后，分别采用传统SVM和所提出的RSRBF神经网络进行建模和预测，比较两种方法的建模精度和预测精度。
实验结果表明，所提出的RSRBF神经网络在建模精度和预测精度上优于传统SVM方法。具体地，在相同的训练时间下，RSRBF神经网络的建模误差和预测误差均较低，说明了其较好的泛化能力和预测精度。
5.结论
本文提出了一种基于递归自组织RBF神经网络的SVI软测量方法，以解决传统SVM在处理高维数据集时的局限性。通过实验验证，所提出的方法在建模精度和预测精度上优于传统SVM方法。未来的研究可以进一步探索RSRBF神经网络在其他领域的应用，并进一步优化和改进该方法。
参考文献：
[1]高永生，王明，李妍.基于支持向量机的软测量研究[J].仪器仪表学报，2010，31(4):927-935.
[2]陈海若.递归自组织径向基函数网络研究[J].计算机科学，2017，44(6):55-58.
[3]黄强，张琳，徐伟斌.基于递归自组织径向基函数网络的软测量[J].控制与决策，2018，33(11):2099-2104.