基于小波递归神经网络的间歇过程迭代学习优化控制

针对间歇过程提出了基于小波神经网络的迭代学习优化控制算法,实现产品终点质量指标的控制。小波递归神经网络用于建立提供长期预测的间歇过程模型。由于模型误差以及未知干扰的影响,基于预测模型得到的控制变量在实际应用中得不到期望的终点质量指标。利用间歇过程的重复特性,采用迭代学习优化控制改善批次间的产品质量,根据以前批次的模型预测误差均值来修正神经网络模型预测输出,继而计算出下一个批次的控制输入。随着批次的进行,模型误差逐渐消失,控制输入达到最优控制。仿真实验结果验证了该算法的有效性。

EM算法优化WDRNN短期负荷预测模型

提出了类电磁机制算法优化的小波对角递归神经网络的短期负荷预测模型,在常规的对角递归神经网络的隐含层神经元之间增加了同层神经元之间的相互连接,使隐含层单元之间存在相互的信息交换,模型的动态性能得到增强;隐含层函数采用小波函数,通过伸缩因子和平移因子的引入,使模型具有较强的逼近能力和容错能力。采用类电磁机制算法对小波对角递归神经网络进行优化,具有全局优化能力强、编程实现简单、收敛性好等优点。经实际负荷系统预测仿真测试,结果表明所提出的预测模型能得到满意的预测精度。