[发明专利]基于记忆增强优化的CNN加热炉操作变量的软测量方法在审
| 申请号： | 201810950550.8 | 申请日： | 2018-08-20 |
| 公开（公告）号： | CN109188903A | 公开（公告）日： | 2019-01-11 |
| 发明（设计）人： | 王永健;李宏光;黄静雯;宿翀 | 申请（专利权）人： | 北京化工大学 |
| 主分类号： | G05B13/04 | 分类号： | G05B13/04 |
| 代理公司： | 北京太兆天元知识产权代理有限责任公司 11108 | 代理人： | 张洪年 |
| 地址： | 100029 北京市*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 加热炉 卷积神经网络 操作变量 记忆增强 训练样本数据 软测量 测量 优化 预处理 泛化性能 高热效率 模型获得 平稳运行 权值参数 网络结构 优化算法 预先设置 热效率 初始化 节点数 建模 偏置 算法 | ||
1.一种基于记忆增强优化的CNN加热炉操作变量的软测量方法，其特征在于，包括：
获取训练样本(X，Y)；
使用归一化公式对所述训练样本(X，Y)进行归一化处理；
对卷积神经网络的各个参数值进行初始化，所述参数值包括网络层数、节点数以及卷积核的数值；
对所述卷积神经网络的卷积层的权值进行更新；
对所述卷积神经网络的下采样层的权值进行更新；
使用记忆增强优化算法对所述卷积神经网络的权值进行优化，以形成卷积神经网络模型；
使用所述卷积神经网络模型对加热炉操作变量进行预测。
2.根据权利要求1所述的基于记忆增强优化的CNN加热炉操作变量的软测量方法，其特征在于，所述使用记忆增强优化算法对所述卷积神经网络的权值进行优化的步骤包括：
当所述卷积神经网络的误差代价函数最小时，获得所述卷积神经网络的权值参数，所述卷积神经网络的误差代价函数为：
其中，为第k+1次权值更新时误差代价函数的取值，为第k+1次灵敏度的取值，ε为常数参数。
3.根据权利要求1所述的基于记忆增强优化的CNN加热炉操作变量的软测量方法，其特征在于，所述对所述卷积神经网络的卷积层的权值进行更新的步骤包括：
根据卷积层灵敏度公式获得所述卷积神经网络的卷积层灵敏度，所述卷积层灵敏度公式为：
其中，为对应元素相乘，W为权值，βj为卷积核的数值，Up表示上采样操作；
根据所述卷积层灵敏度计算误差代价函数对卷积核k的偏导：
其中，为与kij做卷积的patch，位置(u，v)是patch中心，输出特征之中位置(u，v)的值由输入特征之中位置(u，v)的patch与卷积核kij进行卷积所得。
4.根据权利要求1所述的基于记忆增强优化的CNN加热炉操作变量的软测量方法，其特征在于，所述对所述卷积神经网络的下采样层的权值进行更新的步骤包括：
根据下采样层灵敏度公式获得所述卷积神经网络的下采样层灵敏度，所述下采样层灵敏度公式为：
其中，为对应元素相乘，rot180(·)为矩阵逆时针旋转180度；
根据所述下采样层灵敏度计算误差代价函数对偏置b的偏导。
5.根据权利要求1所述的基于记忆增强优化的CNN加热炉操作变量的软测量方法，其特征在于，所述归一化公式为：
其中，
Ymin和Ymax分别是输出模式向量Y的最小值和最大值。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京化工大学，未经北京化工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201810950550.8/1.html，转载请声明来源钻瓜专利网。
