基于DAE-BP神经网络的化工过程质量预测

BP神经网络因具有良好的非线性拟合能力,在建立预测模型中得到广泛应用;但化工过程数据不仅存在非线性特征,而且难以避免受噪声影响,造成数据波动从而影响预测模型准确性;为此,提出一种降噪自编码器融合反向传播算法(简称为,DAE-BP)的化工过程质量预测方法;首先,采用无监督学习模型降噪自编码器完成初始数据的噪声消除,其具有噪声鲁棒性的特点,在数据受到损坏的情况下可尽可能地恢复数据的原始状态,有利于进一步的质量预测;在此基础上,将获取的数据特征作为有监督学习模型BP神经网络的输入以获得可靠的预测结果;在脱丁烷塔化工过程实例上验证方法有效性;并与单一BP算法、主成分分析(PCA)及自编码器(AE)改进的BP算法作为对照;结果表明,经过DAE改进后的BP算法预测误差为1.2%,相比单一的BP算法提高了3.2%精度,较PCA-BP及AE-BP预测误差精度分别提高了2.3%、1.9%,表现出最好的预测性能。