[发明专利]一种乙烯生产过程小样本的软测量方法

权利要求书

1.一种乙烯生产过程小样本的软测量方法，其特征在于：建立对称结构的AANN自联想神经网络且在瓶颈层中添加高斯白噪声以得到高拟合度的虚拟样本，将虚拟样本通过Bootstrap方法进行重复采样以得到带有差异度的样本，再采用ELM实现快速对个体神经网络的训练以实现对乙烯生产过程小样本的软测量；

将进料流量、燃料用量、蒸汽用量、水流量、电力用量和乙烯的产量作为输入，在AANN自联想神经网络中进行样本数据训练：

将获得的P个高维输入样本需要用自联想神经网络进行压缩降维，其集合表示为S＝{S_p|p＝1,2,...,P；S_p∈R^I}，其中，I表示输入层所含有的线性神经元个数；

对于每一个高维输入样本S_p，经过输入层和映射层后，映射层的神经元的输出表示为M_p＝f(WS_p+b)，其中映射层神经元个数为M，M_p为输入样本S_p的映射层输出向量，W＝[w_mi]_M×I为输入层与映射层神经元连接权值矩阵，w_mi表示连接第i个输入神经元与第m个映射层神经元的权值，b＝[b_m]_m×1为映射层的阈值向量，b_m表示第m个映射层神经元的阈值，f(·)为映射层的激活函数，且

瓶颈层的神经元的输出表示为B_p＝f(WM_p+c)+G_noise，其中瓶颈层神经元个数为B，B_p为映射层样本M_p的瓶颈层输出向量，W＝[w_bm]_B×M为映射层与瓶颈层神经元连接权值矩阵，w_bm表示连接第m个映射神经元与第b个瓶颈层神经元的权值，c＝[c_b]_b×1为瓶颈层的阈值向量，c_b表示第b个瓶颈层神经元的阈值，G_noise表示加入适当的高斯白噪声；

解映层的神经元的输出表示为D_p＝f(WB_p+d)，其中解映层神经元个数为D，D_p为瓶颈层B_p的解映曾输出向量，W＝[w_db]_D×B为瓶颈层与解映层神经元连接权值矩阵，w_db表示连接第b个瓶颈神经元与第d个解映层神经元的权值，c＝[c_d]_d×1为解映层的阈值向量，c_d表示第d个解映层神经元的阈值；

根据解映层每个神经元的输出，计算得到输出层每个神经元的输出值Q_p＝VD_p+E，其中，输出层神经元个数为I，Q_p为输入样本S_p经自联想神经网络后的输出值，V＝[w_id]_I×D为解映层与输出层神经元连接权值矩阵，E＝[E_i]_I×1为输出层的阈值向量，E_i表示第i个输出层神经元的阈值；

AANN神经网络包括前后两部分，其中前半部分包括输入层、映射层、瓶颈层，完成输入信息的压缩和编码:实现后半部分包括解映层和输出层完成特征信息的解码:实现将此时获得的样本作为ELM建模的训练数据。