《基于免疫的混合学习算法在转炉提钒静态模型中的应用研究》由会员分享，可在线阅读，更多相关《基于免疫的混合学习算法在转炉提钒静态模型中的应用研究（55页珍藏版）》请在金锄头文库上搜索。
1、重庆大学硕士擘位论文中文摘攘摘要铽稼为稃蚤妻盒耩，在锈铁冶金、电子工渡和嗣防工监等众多领域有着广泛的应用。我重毯兹黪提镊罴联熬怒转妒提铙麴方式，餐转炉提镳为久工搽佟模式，塞动化控熹l 承乎低，产品获量波动大。蕤着“；薹信惑位带动工渣毒乏”袋为务个工业企业发展的核心战燎任务，转炉炼钢过程瓣诗舞极应爆鼹转炉发鼹敷莛安方向。计辫机应用的一个黧要方式就是建立转炉掇钒过程的数学模型。数学模型能定量地描述系统运动的觏律，对科学研究翱指导生产都舆有非常霪要的意义。哥前，在炼钢、炼铁的许多领竣，都建立起了数学模激，在提商技术水平、稳定技术指标等方面取得了稆囊好的应糟效菜。本论文慰重庆大学是凌控戳磅袋鬓与菜镪铁
2、公霹台襻开发髂“提铽过耩静恣模型及箕控裁凌繁谤雾磐戆磅究”矮器 O ，帮么而瑞f 盘( s Z ) ，黉剩麓罐，。透：j 窭艇f 豹只度豹变化，只骞那些靠褥是够邋鳇捷体才会被选择。爨以T t m m i s - N e a l 楼型特别适鼹予农无簸餐躯摸式下表示数撂集中豹蒙类数撂。困力从免疫系统受至启发，许多智姥算法应运露生，被猕终人工免疫系统或基于免疫的系统。这些算法在例如摸式识别、摸式分类、函数优化、具紫侦测、决策支持、计算机安全等领域获褥了成功的应用。但是，因为抗体浓度的动态行为的号l 入，缝个免疫系统的动态行为变德非鬻复杂：节点之间的连接参数将不羁是独立的，丽是由抗体的浓度和、淋巴细胞
3、的浓度决定。这和权值能够独立调整的神经网终不嗣。因而使免疫系统从理论上来说比大脑神经系统更加复杂。因而，相对于其他基于生物的爨法( 例如神经网络) ，免疫系统是一个相对新兴的领域。1 6薹壅奎兰錾圭兰竺燕壅! 墨塑茎塑垫焦婴翌璧! ! 墨3 径向基函数( R B F ) 神经网终3 1 神经网络概述博1釉缀科学研究表明，生物神经系统赵由大量的神经蜘胞域享申经元广泛相互遣接组成的，个神经元与另一个神经元密切接触，传递神经冲动，实现信息传递。人的大脑皮屡是由六个不同的功隧区组成的，上面布满了大约1 4 x l O ”个神经细胞，它相当予一万台大型计算机并行运行。所以说，人脑是一个广泛相曩连接的复杂
4、非线性系统，这种系统其有特殊的倍息处理能力。研究人脑的目的就是试图模拟人脑的信息处理能力，来设计新一代智能型计算机。美国的神经网络学家H e c h tN i e l s e n 给出人工神经附络的一般定义：神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算机系统，该系统建靠其状态对外输入信息的动态响应来处理信息的。人工神经网络稹垄各种备样，目前已有数十种，它们是扶各个角度对生物神经系统不同层次的描述和模拭。傻从神经阿络的麓本模式看，主簧有：前馈型、反馈型、自组织型殿随祝墅阏络。遮4 种类型备自矮有不同的随络模型。在前馈网络中燕要有A d a l i n e ，B P 两及R
5、 B F 网络；反馈网络主要有H o p f i e l d 嘲络；自缀织阐络主要有A R T 黼；陡梳猎络主要有B o l t z m a n 视。通过学科的不断的交叉，禳颧及分形与入工神缀网络静结合叉彩藏了模糊神经网络和分澎神经瓣络。3 。 人工神经两络豹特点1 ) 搿度并行牲：棒经嚣之闯铵递镰怠( 棒经熬狰) 是数毫秽诗豹，纛替逶计算祝，信惠传递裂戈毫微秒数量缓。但是天船袋往辘在缀短封露内瓣事物徽毽燕礁豹判断，这谎瞬人舷定是建立纛太攫摸劳行处爨基璐上的。2 ) 嶷度 # 线性垒晨终用秘经月终系统是巍太鬟麓单霉孛经元麴贼熬，每个字串经嚣接受太蕊其她秽经元的输入，通过j # 线性输入饿出关系
6、，产生簸蹬，影响其链亭枣经霓。网络藏是这榉要棚制约，亘棚影购，实现从输入状态窆闯剿输出状态空闯4 # 线性映射豹。网终豹演化遵从全局性伤用骤则，从输入状态演化到终态恧埝出。从全爆观点来看，网络整体性能不是网络髑部性裁的籁单迭加，面表现某弛集体蛀牙为。3 ) 良好“容错性”哥对联想记忆功能人脑能够很快辨认出多年来见、面貌大变的朋发；能从严重模糊、缺损的照片辨认出原来真实图像，说明神经网络具有很强的“容镄性”和联想记忆功能。4 ) 神经网络与电脑信息存储与加工方式不同1 7重庆大学联士学位论文3 径肉基蕊数f P B F ) 神经耀终慰于人藏来说，翘识和信息均表达积记忆是分布在诲多连接键土，这揍连
7、接键又同肘记录许多不同的信息，信息的处理和蠢储会恧毙一，不霹熬信息之闫盎然沟通。为此，人膝能够进行深层次形象思维，g 够拨摆所掌握的知识进行摄捂、类比、推广，很快把握全局，作出正确的剡联和决策。5 ) 自适应，自学习能力人脑层然受先天因素的制约，但后天因索，如经历、训练、学习等也起莛要作用。人脑的很多智能活动并不怒按照逻辑推理方式进行的，两是由训练“习蠼成自然”形成的。3 1 2 神经网络的学习和训练学习特性是神经网络的基本特性，神经网络的学习与训练是通过网络权傻和阂值的调节来实现的。根据学习过程的组织和管理方式不同，学习算法可分为有监督和无靛督学习两大类。1 ) 有虢督( 也称外监督：o u
8、 t e r - s u p e r v i s e d ) 学习：待分类的模式类别属性己知。对于每次模式样本的输入，网络输出端都有一个对应的指导( 监督) 信号与其属槛褶嚣配。基于随络输出端益督信号句实际输出的某种目标函数椎则，通过不断调整网络静连按毅值，使得网络输出端的输出与虢督信号的误差逐渐减小别预定静器求。裔益餐翡学爵算法的代表是B P ( B a e kP r o p a g a t i o n ) 算法。2 ) 无蕊瞽( 也称鲁组织：s e l f - o r g a n i z i n g ) 学习：待分类的模式属性未知。随络结褥黧连接毂镳透过菜种聚类法弼，裔动辩两蒲环境的模式样
9、本迸行学习调慈，直至燃络黪绪拇帮连接分布能会瑾蟪爱获稍练样本的统诗分布。无益胬的学习算法瓣典型代表楚H e b b 学习援镎。3 。2 经舄基蟊数( R B F ) 神经鄹缭概述嘲m 4 31 9 8 5 年，P o w d l 提出了多变擐攒僮熬径蠢基避数( R a d i a lB a s i sF t m c t i o n - - R B F )方法e1 9 8 8 年，B r o o m h e a d 襄L o w e 首先憋R B F 应用予神经鼷络设专 ，铁褥梅成了R B F 章卓经网络。R B F 神经元网络即R a d i a lB a s i sF u n c t i o
10、 nN e u r a AN e t w o r k ，是一释三屡蔻馕神经网终( 见下图) 。它的产生典有很强约生物学背景。在人戆大腔皮层区域孛，届豁调节及突叠的感受野( R e c e p t i v eF i e l d ) 是人脑反皮的特点。输入层盛信号源节点娌成。第二茎壅杰兰鍪主兰壅鲨塞一! 篓塑茎受壅堡登窭墼至至鳖图3 1R B F 神经网络结构图F i g3 1T h ea r c h i t e c t u r eo f t h eR B Fn e u r a ln e t w o r k瑟鸯溅含蒺，单元数褫艨箍述阂惩懿需葵焉是。第三层秀输塞层，它蹩辩输入模式的作用做出的响廒。从
11、输入空间到隐禽层空间的变换是非线性的，而从隐含层空间剿输出滋空间的交换怒线性的。隐单元的嶷换函数是R B F ，愈是一种局部分布的对中心点径向对称衰减的非受非线憔函数。构成R B F 网络的基本憩想是( 见下翻的示意图) ：用R B F 作为隐单元的“基”构成黪含层空溺，这样裁露憋竣入矢量轰接( 鞠苓遴过投逐接) 映射到黪空霹。当R B F 的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输出空问瓣浃羹孝是线彀静，箨弼络鹣辕警燕滤荜元输窦游线毪加投帮。筵怒静投鄄为弼络可调参数。由此可见，从总体上蒋，网络由输入到输出的映射是非线性的，而网络输出对可调参数黼言却又是线佼的。遮样网络静权就可
12、由线性方程组赢接解出竣用R L S 方法递推计算，从两大大如快学习速度共避免局部极小翘题。农具体分析R B F 神经网络的飘体结构前，我们先对R B F 神经网络在数学上的可行饿做一然说明。1 9薹塞盔堂跫主堂竺篓壅，! 垒塑蓬里墼g 姿1 2 整篷登鳖穗滠遴瓣蓬数凿3 2 径尚纂函数神经两终：人工免液系统F i g3 2R a d i a lb a s i sf u n c t i o nn e u r a ln e t w o r k ：a na r t i f i c i a l 幽磷es y s t e m3 。3R B F 裤经麓终在数学上翘霹稽性R B F 糖缀茏嬲终不仅翼毒上述懿
13、生糖学鸷景，露菇还寄数学避论静支持。文献阳6 1 用正贝q 化方法诚明了如下结论：蓑S = ( 墨，1 ) R “更l f = 毛，嚣 楚训练集会，妒( ，秽) 表涿拳知斡缀数，荚中万也未知，正则化问题的学习过程是尊找p 及常数甜，使日【纠= 一烈置，蝴2 + 训P 训2绶小。用燮分原理霹以诞明妒应该选择强囱基薅数。3 。4R B F 神经瓣络静函数逼：i 惩麓力R B F 襁经网终宠成熬镁务冀实就是黪绘熬凑数，在嚣麓上爱专年多径潜麓丞数单元进撑援念，获戳我 f 3 蠢必簧对R B F 耪经弼终懿灏数遂近麓力捧一鼗套绥。文献f 3 8 】【3 9 】程迭方甄律了深入研究。文中认为具鸯s i g
14、 m o i d 单嚣瓣3 层兹是鼹络能够逼近遗续甑数或定义予晨”空间紧粲上的函数。这些文献作了个假设，就是s i g m o i d 函数必须连续或单调，蕊文献1 4 1 】魁指出网络遥逝函数的麓力不是出激灞函数的连续往或革调性决定，而怒函数的有界毪起了关键作掰。文献 4 2 1 在H o m i k 工作的基础七，证绢了其有髑部宵界分段涟续激活嚣数戆标凇翦建嬲终虿叛遥主嚣任意逡绥涵数至链意耱凄瀚充分必要条件慧丽终熬激活瑟羧罴裴多矮式落隈貔次) ，莽菇疆窭激溪涎数酌溺篷蠢摄薰要懿终掰，它是保证上述充要条婷成立憨一个重要疆綮。文献删孛，H o m i k 揍趱：f 1 ) 妊鬃激活函数局部黎曼
15、可积且是非多项式，则前向网络可以一致逼避紧集上的连续邈数；( 2 ) 如果激滔函数局部有界且怒非多项式，则前向网络可以逼避( ) 连续嚣数，是具有紧支撵的输入环境测魔( I n p u tE n v i r o n m e n tM e a s u r e ) 。R B F 神经元黼络遐一炎前向网络，豳此上述函数逼近的理论也适用于它但重庆大学硕士学位谂文3 经自基菊数( R B 黔沸经瓣络锌辩R B F 潮络，销许多特蠢需要研究。一般的前向弼络( 街j 翔多麓惑翔器( M L P ) 是仿射禁函数A B F ( A f f i n eB a s i sF u n c t i o n ) 神经元
16、网络，这种网络的且标是用函数族q g ( 扎石+ 鼠) 逼：i 瑟连续函数，而R B F 网络的目标是用函数族芸g ( 到舅一x , I I 扩) 遥近连续爨数。文献4 4 5 1 霉猁了R B F 睡终鹣一些结果：“ 定理1 ：置：R ”_ R 是径向对称，商界可积的函数，并且满足f 。K ( x ) d r # 0 J 且 尼乎笼处连续，那么溺数族芝匆甙篓二；玛在妒伍”) 巾稠密，这重g 潲) = 爱( x ) 。 i = - IL ，1 0 一v # 定理2 # K ：R “斗R 雉平方诃积函数，那么函数族搿I g 拦二丢堕匈在L V ( R ”) 。百。每鬟密戆充藜条徉燕罡楚蠢态熬。C h e nT 等人进一步将这食定璎一般化为：假设g ：R + 一R 1 满足 g ( 1 4 1 ) 叠馥4 ) ，鄹函数族奶g ( 耋= 半) 翟E f f ( R 4 ) 中稠密。文献t 4 4 1 提出一个连续晒辅以作为蠢B F 嬲络激涵函数的充分必要条件是函数不能怒
