BP神經(jīng)網(wǎng)絡(luò)模型簡介及相關(guān)優(yōu)化案例

1、華東理工大學(xué)2016-2017學(xué)年第2學(xué)期研究生石油化工單元數(shù)學(xué)模型課程論文2017年6月開課學(xué)院：化工學(xué)院任課教師:歐陽福生考生姓名：丁桂賓學(xué)號:Y45160205成績：論文題目：BP神經(jīng)網(wǎng)絡(luò)模型簡介及相關(guān)優(yōu)化案例論文要求:教師評語:教師簽字:BP神經(jīng)網(wǎng)絡(luò)模型簡介及相關(guān)優(yōu)化案例一、神經(jīng)網(wǎng)絡(luò)模型簡介現(xiàn)代神經(jīng)生理學(xué)和神經(jīng)解剖學(xué)的研究結(jié)果表明，人腦是極其復(fù)雜的，由約1010個神經(jīng)元交織在一起，構(gòu)成一個網(wǎng)狀結(jié)構(gòu)。它能完成諸如智能、思維、情緒等高級精神活動，被認(rèn)為是最復(fù)雜、最完美、最有效的一種信息處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)（ArtficialNeuralNetworks,以下簡寫為NN）是指模擬人腦神經(jīng)系

2、統(tǒng)的結(jié)構(gòu)和功能，運用大量的處理部件，通過數(shù)學(xué)方法，由人工方式構(gòu)造的網(wǎng)絡(luò)系統(tǒng)1。圖1表示作為NN基本單元的神經(jīng)元模型，它有三個基本要素2:（1） 一組連接權(quán)（對應(yīng)于生物神經(jīng)元的突觸），連接強度由各連接上的權(quán)值表示，權(quán)值為正表示激勵，為負(fù)表示抑制。（2） 一個求和單元，用于求取各輸入信息的加權(quán)和（線性組合）。（3） 一個非線性激勵函數(shù)，起非線性映射作用并限制神經(jīng)元輸出幅度在一定的范圍內(nèi)（一般限制在0,1或-1,+1之間）。圖1神經(jīng)元模型此外還有一個閾值（或偏置bk=k）0以上作用可以用數(shù)學(xué)式表達(dá)為:PUk=WkjXjj=J.vk=uk一瓦.yk=(Vk)式中Xl，X2，X3，,XP為輸入信號，Wk

3、1,Wk2,Wk3,M為神經(jīng)元k的權(quán)值，見為線性組合結(jié)果，為閾值。中。為激勵函數(shù)，猿為神經(jīng)元k的輸出。神經(jīng)網(wǎng)絡(luò)理論突破了傳統(tǒng)的、串行處理的數(shù)字電子計算機的局限，是一個非線性動力學(xué)系統(tǒng)，并以分布式存儲和并行協(xié)同處理為特色，雖然單個神經(jīng)元的結(jié)構(gòu)和功能極其簡單有限，但是大量的神經(jīng)元構(gòu)成的網(wǎng)絡(luò)系統(tǒng)所實現(xiàn)的行為卻是極其豐富多彩的。二、BP神經(jīng)網(wǎng)絡(luò)模型BP網(wǎng)絡(luò)(Back-PropagationNetwork),即反向傳播網(wǎng)絡(luò)，是一種將W-H學(xué)習(xí)規(guī)則一般化，對非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò)權(quán)值的調(diào)整采用反向傳播(Back-propagation)的學(xué)習(xí)算法。它是一種多層前向反饋神經(jīng)網(wǎng)絡(luò)，其神經(jīng)元的變

4、換函數(shù)是S型函數(shù)輸出量為0到1之間的連續(xù)量，它可實現(xiàn)從輸入到輸出的任意的非線性映射。當(dāng)一對學(xué)習(xí)樣本提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)各中間層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)。接下來，按照減少目標(biāo)輸出與實際誤差的方向，從輸出層經(jīng)過各中間層逐層修正各連接權(quán)值。最后回到輸入層，這種算法稱為“誤差逆?zhèn)鞑ニ惴ā保碆P算法。隨著這種誤差逆的傳播修正不斷進(jìn)行，網(wǎng)絡(luò)對輸入模式響應(yīng)的正確率但不斷上升3。BP神經(jīng)網(wǎng)絡(luò)模型如圖2輸入底層輸HI肥輸入底層輸HI肥圖2BP神經(jīng)網(wǎng)絡(luò)模型典型的BP神經(jīng)網(wǎng)絡(luò)包含3層：輸入層、隱含層、輸出層，是一種前向階層型神經(jīng)網(wǎng)絡(luò)4。每一層由若干神經(jīng)元w點)組成，每一

5、個神經(jīng)元的作用是計算該神經(jīng)元所有輸入的權(quán)重和，并通過特定的輸出函數(shù)-激勵函數(shù)輸出。激勵函數(shù)般是非減和可微函數(shù)，最常用的激勵函數(shù)是S函數(shù)和線性函數(shù)，S函數(shù)方程式為:.1f(X)=U以一個隱含層的BP網(wǎng)絡(luò)為例，從輸人到輸出的映射過程為:ninhin,j=(.WijX)bh,ji4hbut,j=S(hn,j)nhidYin,k二,Wjkhout,j)-by,kj1yk-S(yin,k)式中，X輸入信號；hin和卜疝分別是隱含層節(jié)點的輸入值和輸出值；yin輸出層節(jié)點的輸入值；y輸出信號；w節(jié)點之間的連接權(quán)重；b節(jié)點的閾值；nin,nhid分別為輸入層和隱含層的節(jié)點數(shù)。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程是由信息的正

6、向傳播和誤差的反向傳播兩個過程組成的。外界的輸入信息通過輸入層、隱含層和輸出層的計算后得到實際結(jié)果，當(dāng)實際結(jié)果和期望結(jié)果不符時，按誤差梯度下降的方式修正各層權(quán)值，并向隱含層和輸入層反向傳播。不斷反復(fù)的信息正向傳播和誤差反向傳播過程是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)不斷學(xué)習(xí)的過程，直到網(wǎng)絡(luò)輸出與實際輸出誤差達(dá)到精度以內(nèi)或者是網(wǎng)絡(luò)學(xué)習(xí)達(dá)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止5。三、優(yōu)化案例3.1BP神經(jīng)網(wǎng)絡(luò)在MIP工藝過程產(chǎn)品分布優(yōu)化中的運用6以某煉油廠1.0Mt/a的MIP裝置反應(yīng)-再生系統(tǒng)為研究對象，選取包括原料油性質(zhì)、再生劑性質(zhì)、操作條件的19個變量為神經(jīng)網(wǎng)絡(luò)模型的輸入變量，液化氣、汽油、柴油、焦炭收

7、率為輸出變量，建立19-24-4結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，在此基礎(chǔ)上考察原料油預(yù)熱溫度、第一反應(yīng)區(qū)（一反）出口溫度、第二反應(yīng)區(qū)（二反）出口溫度、反應(yīng)壓力對產(chǎn)品分布的影響，并采用遺傳算法得到使汽油收率最優(yōu)的操作條件。32組模型驗證樣本的相對誤差統(tǒng)計見表1。由表1可知：液化氣、柴油收率和焦炭產(chǎn)率的相對誤差只有4組樣本大于10%,而小于5%的樣本占多數(shù)；汽油收率的相對誤差較小，除1組樣本大于5%外，其余樣本的相對誤差都在5%以內(nèi)；液化氣、汽油、柴油收率和焦炭產(chǎn)率的平均相對誤差都小于5%,說明所建立的神經(jīng)網(wǎng)絡(luò)模型的外推性較好。表1.32組驗證樣本的相對誤差統(tǒng)計誤差小于5%誤差5%10%誤差大于10%平均相對

8、誤產(chǎn)品的樣本數(shù)的樣本數(shù)的樣本數(shù)差，%液化氣23724.18汽油31101.49柴油25613.58焦炭23813.50通過建立的BP神經(jīng)網(wǎng)絡(luò)，分別考察原料油預(yù)熱溫度，反應(yīng)溫度以及反應(yīng)壓力對產(chǎn)品分布的影響情況，模擬結(jié)果與實際情況擬合良好，說明此模型可靠性比較高。在此基礎(chǔ)之上，利用遺傳算法進(jìn)行優(yōu)化，獲得較好的汽油收率下的反應(yīng)-再生系統(tǒng)操作條件。3.2以BP-ANN模型為基礎(chǔ)的操作優(yōu)化7以建立FCC分儲塔的粗汽油干點模型為例，選取了7個輸入?yún)?shù)：反應(yīng)-再生系統(tǒng)的原料油流量和反應(yīng)溫度、分儲塔頂溫度和壓力、頂循環(huán)抽出量和抽出溫度、氣提蒸汽量。其中，原料油流量和反應(yīng)溫度對于分儲系統(tǒng)來說是不可調(diào)控的，為操作

9、工況，其余為操作條件；1個輸出參數(shù)，即粗汽油的干點；1個隱含層，包含8個隱節(jié)點；從廠方提供的實際數(shù)據(jù)中選取了10組樣本對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，廠方要求模型預(yù)測的干點值與實際化驗值之間的偏差小于2C,經(jīng)過訓(xùn)練,模型對這10組樣本的預(yù)測效果均達(dá)到要求。在實際生產(chǎn)中，粗汽油干點一般保持在195c和205c之間，而當(dāng)干點控制在205c時，油收率最大，經(jīng)濟效益最高。通過已經(jīng)建立的BP-ANN模型，確定優(yōu)化的目標(biāo)函數(shù)為：mint=(y-205)2在所用的100組樣本中選取合適的初值點，利用梯度搜索法進(jìn)行計算得到最佳的操作條件，如下表2表2最佳操作條件123分儲塔頂溫/C113.043114.435116.10

10、6分儲塔頂壓/kPa140.754123.100126.618頂循環(huán)抽出量/(t/h)185.476193.427177.694定循環(huán)抽出溫度/C163.007154.487150.605氣提蒸汽量/(t/h)3.243414.543632.94378四、結(jié)論神經(jīng)網(wǎng)絡(luò)模型可以對龐大的化工實驗數(shù)據(jù)進(jìn)行處理，尋找到隱藏在大量數(shù)據(jù)之下的化工生產(chǎn)規(guī)律，其中又以BP網(wǎng)絡(luò)應(yīng)用最廣泛。BP神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)了一個從輸入到輸出的映射功能，而數(shù)學(xué)理論已證明它具有實現(xiàn)任何復(fù)雜非線性映射的功能。這使得它特別適合于求解內(nèi)部機制復(fù)雜的問題并且網(wǎng)絡(luò)能通過學(xué)習(xí)帶正確答案的實例集自動提取“合理的”求解規(guī)則，即具有自學(xué)習(xí)能力。同時BP網(wǎng)絡(luò)具有一定的外推能力。參考文獻(xiàn)：1周春光，梁艷春.計算智能:人工神經(jīng)網(wǎng)絡(luò)模糊系統(tǒng)進(jìn)化計算-第3版M.吉林大學(xué)出版社,2009.2王漢林.灰色神經(jīng)網(wǎng)絡(luò)模型的建立及其在復(fù)雜非線性預(yù)測問題中的應(yīng)用D.吉林大學(xué),2004.3呂硯山，趙正琦.BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化及應(yīng)用研究J.北京化工大學(xué)學(xué)報(自然科學(xué)版),2001,28(1):67-69.4姚曉麗.人工神經(jīng)網(wǎng)絡(luò)在石油化工過程優(yōu)化操作中的應(yīng)用研究D.北京：清華