發(fā)布時間：2024-05-30 01:51

　　憑借強大的動態(tài)性能學習能力,回聲狀態(tài)網(wǎng)絡(echo state network,ESN)開始應用于工業(yè)過程多元時間序列的預測,以幫助解決過程監(jiān)督、控制和優(yōu)化的關鍵問題。傳統(tǒng)的ESN在網(wǎng)絡結構上采用隨機生成的稀疏儲備池和單一的神經(jīng)元模型,導致其節(jié)點耦合性強且計算能力有限,難以適用于復雜工業(yè)過程;而在信息匹配處理方面基于靜態(tài)時延信息以固定的時間維度選擇多元數(shù)據(jù),忽略了真實過程的動態(tài)時延特性,可能導致網(wǎng)絡模型數(shù)據(jù)錯位或遺漏某些關鍵數(shù)據(jù)信息。論文針對以上問題進行了深入研究,取得的主要研究成果如下:1、針對傳統(tǒng)ESN模型的結構缺陷,提出了一種混合型循環(huán)跳躍儲備池(hybrid cycle reservoir with jumps,HCRJ)網(wǎng)絡。其中,通過探索儲備池循環(huán)結構和跳轉結構中混合小波神經(jīng)元的注入方式,構建了最優(yōu)模型。最后在石油鉆井關鍵變量的預測任務中,驗證了網(wǎng)絡的優(yōu)越性。2、基于動態(tài)時延的理論,提出了一種面向網(wǎng)絡模型的多元時序數(shù)據(jù)動態(tài)匹配方法。其根據(jù)變量間動態(tài)傳遞時間,為每個預測值指定了所選多元數(shù)據(jù)的時間維度,使網(wǎng)絡在運行期間可以準確且快速的抓取到最大貢獻數(shù)據(jù)。最后將所提出方法用于精餾...

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

圖２－２動態(tài)與靜態(tài)時延??Ｆｉｇ．?２－２?Ｄｙｎａｍｉｃ?ａｎｄ?ｓｔａｔｉｃ?ｔｉｍｅ－ｄｅｌａｙｓ??為了相對獨立的依賴數(shù)據(jù)知識，使技術工人的技術支持相對可能的少，一般采用??理

?北京化工大學碩士學位論文???ｎ??Ｙｋ＝４Ｚ；（ｋ）?式（２－１１）??ｔ＝ｉ??其中，其數(shù)值越接近１，代表序列曲線相似度越高，否則相關度越低，一般使用熱力??圖進行最后的知識體系表達。??２．３．３多元變量間時延估計??在許多工業(yè)過程中，多元變量之間都存在關聯(lián)性，其相互作用....

圖２－３時間窗口滑動過程??Ｆｉｇ．?２－３?Ｔｉｍｅ?ｗｉｎｄｏｗ?ｓｌｉｄｉｎｇ?ｐｒｏｃｅｓｓｅｓ??描述變量間的相關系數(shù)Ｐｅ［－ｉ，ｉ］，過程變量間的正反影響關系由正負值確定

據(jù)段相似度的系數(shù)值，如下式所示，??由此提取變量間每個時間點的動態(tài)時延信息。??Ｐｘｙ（〇（ｋｉ）＝丄ｆ?０，．．．，ｎ．式（２－１３）??ｎｋ?含?Ｓｘ（ｊ）Ｓｙ（ｊ＋ｋ）??其中，ｋ＝０，１，２，?？?？？，＆滑動寬度ｋ是平滑窗口的移動范圍，（〇代表時間。設置觀測寬??度＆為....

圖２？４伸縮時間窗口對時延提取流程??Ｆｉｇ．?２－４?Ｅｘｔｒａｃｔｉｏｎｓ?ｏｆ?ｔｉｍｅ?ｄｅｌａｙｓ?ｉｎ?ｅｌａｓｔｉｃ?ｔｉｍｅ?ｗｉｎｄｏｗｓ??

?北京化工大學碩士學位論文???整體算法的核心是觀測窗口?ｎｋ的大小，其擴張判斷的依據(jù)是在當前時間窗口下：??（１）是否存在因局部強干擾導致時間序列之間的反向時延（整體時延方向為正）的相似度??數(shù)值過大的情況。（２）變量間的相關系數(shù)的絕對值是否大于整段數(shù)據(jù)下變量的相關系數(shù)??的絕....

圖２－６不同網(wǎng)絡模型的預測精度??Ｆｉｇ．?２－６?Ｐｒｅｄｉｃｔｉｏｎ?ａｃｃｕｒａｃｉｅｓ?ｏｆ?ｄｉｆｆｅｒｅｎｔ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌｓ??２．４．２工業(yè)變量之間的時延提取??

?北京化工大學碩士學位論文???０．１８?－？???ＥＳＮ??Ｉ?－＊？?ＳＣＲ??０１６?Ｘ?ＨＥＳＮ??、、、?ＨＳＣＲ??０．１４?、、、、??０．０８????０．０６??二丄、、??今?＾?＾?＾?＾??Ｒｅｓｅｒｖｏｉｒ?Ｓｉｚｅ??圖２－６不同網(wǎng)絡模型的預測精度??Ｆ....

本文編號：3984399