ppr管厂家批发

由于焦炉煤气产量、外送压力对集气管压力设定值 的影响也具有非线性和滞后性的特点，如果单纯采用线 性回归集气管压力设定模型不能较好地得到焦炉集气管 压力的设定值。RBF神经网络主要用于函数逼近解决和 模式分类等问题。与其他前向网络相比，RBF网络具有 最佳逼近的特性，精度较高[13]。如何确定隐含层节点数 和相应的数据中心是RBF网络设计的难点，最近邻聚类 学习算法就能较好地确定隐含层节点数[14]，因此结合集 气管压力设定模型的特点，集气管压力动态设定模型选 用基于最近邻聚类学习算法的RBF神经网络算法。

3.2.1神经网络输人输出数据处理

从焦炉生产现场采集的各种数据由于受到仪表精度 和环境的影响带有大量的噪声，必须对其进行滤波才能 输人到神经网络模型中去。就某一神经网络模型本身而 言，当输人和输出信息在数量级上差别很大时，易造成网 络各节点间的权值差别过大,致使网络性能降低,从而增 加了网络训练的难度,往往会影响到预测的精度。因此， 需要标度数据需要采用合适的因子，以改善算法的稳定 性和精度。

3.2.2基于最近邻聚类学习算法的RBF神经网络 隐层的生成(包括隐层节点数目、隐层中心和宽度的 确定）是构建RBF神经网络的关键和难点。网络的复杂 性以及网络的泛化能力主要受隐层节点数目的影响。在 应用RBF神经网络时,最近邻聚类学习算法具有计算量 小、学习时间短等特点。因此结合集气管压力设定模型 的特点,本文选用基于最近邻聚类学习算法的RBF神经 网络,以较好地确定隐层。在最近邻聚类算法中,是需要 事先指定隐层宽度r,且需要训练高斯函数的中心以及 权值。其具体步骤如下：

Setp 1:选择一个适当的高斯函数宽度~定义1个 矢量4(Z)和1个计数器B(Z)分别用于存放属于各类的 输出矢量之和以及用于统计属于各类的样本个数，其中I 为类别数。

式中:动态自适应RBF网络的复杂程度由半径r的大小

决定。如果/•越小，聚类数目就越多,从而造成计算量也

越大。由于r的确定主要通过实验和偏差信获取，这比

确定隐单元的个数和合适的范数要方便。

3.3集气管压力设定模型的集成策略

由于焦炉煤气集气过程的复杂特性,采用单一的线

性回归模型或者神经网络模型都存在不同程度的缺点和

不足，通过模糊组合可以提高精度的原理。对多模型集

成有多种方法,例如:加权并集成、并联补集成、串联集成

等。本节针对两种集气管压力优化设定值模型的输出，

进行模型的集成策略。集成模型如下所示。

式中：y.代表第r组数据中待检测变量的真实值，通常情 况下未知，用实际检测值代替;y,代表集成模型对第i组 数据的输出值；£是偏差平方和;/V是选取的样本容量。