馮冬青，楊書顯

(鄭州大學(xué) 電氣工程學(xué)院 河南 鄭州 450001)

氧樂(lè)果合成過(guò)程的PSO-回歸BP網(wǎng)絡(luò)建模方法

馮冬青，楊書顯

(鄭州大學(xué) 電氣工程學(xué)院 河南 鄭州 450001)

為了提高模型效率，更好地反映實(shí)際系統(tǒng)的動(dòng)態(tài)特性，根據(jù)氧樂(lè)果合成過(guò)程特點(diǎn)確定了PSO-回歸BP網(wǎng)絡(luò)結(jié)構(gòu).采用慣性權(quán)重動(dòng)態(tài)調(diào)整的粒子群算法進(jìn)行初始尋優(yōu)，并基于改進(jìn)的BP算法對(duì)優(yōu)化的網(wǎng)絡(luò)權(quán)閾值進(jìn)一步精確優(yōu)化，建立了氧樂(lè)果合成過(guò)程的PSO-回歸BP網(wǎng)絡(luò)模型.仿真結(jié)果表明，所建模型誤差小、收斂速度快、網(wǎng)絡(luò)泛化能力強(qiáng)，能更好地反映實(shí)際對(duì)象特點(diǎn).

粒子群算法； 回歸BP網(wǎng)絡(luò)； 氧樂(lè)果合成； 溫度對(duì)象

0 引言

氧樂(lè)果是農(nóng)業(yè)生產(chǎn)中廣泛使用的一種農(nóng)藥，其質(zhì)量的優(yōu)劣對(duì)農(nóng)業(yè)生產(chǎn)有很大的影響，為其生產(chǎn)過(guò)程建立較為精確的數(shù)學(xué)模型，將有利于改善控制效果，提高產(chǎn)品質(zhì)量與經(jīng)濟(jì)效益.氧樂(lè)果合成過(guò)程是典型的間歇生產(chǎn)過(guò)程，反應(yīng)釜溫度對(duì)象具有多變量、非線性、時(shí)變、分布復(fù)雜等特點(diǎn)，因此利用傳統(tǒng)方法建模非常困難.

以往的氧樂(lè)果合成過(guò)程建模研究中，曾在BP網(wǎng)絡(luò)的基礎(chǔ)上加上TDL環(huán)節(jié)，建立了回歸網(wǎng)絡(luò)模型，采用BP算法進(jìn)行學(xué)習(xí)訓(xùn)練[1-2].文[3]基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型，用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化取得了較好效果，但仍避免不了一些缺點(diǎn).粒子群優(yōu)化(particle swarm optimization，PSO)算法采用速度位移模式[4-5]，保留全局搜索策略，概念簡(jiǎn)單，具有計(jì)算復(fù)雜度低、收斂速度快，僅有少量參數(shù)需要調(diào)整，操作簡(jiǎn)單、易實(shí)現(xiàn)等特點(diǎn)，作為一種全局優(yōu)化算法為神經(jīng)網(wǎng)絡(luò)的優(yōu)化問(wèn)題提供了便捷高效的解決方法，并已在實(shí)際問(wèn)題的應(yīng)用中顯示出極大的優(yōu)越性[6-7].本文將粒子群優(yōu)化算法與回歸BP網(wǎng)絡(luò)相結(jié)合，建立氧樂(lè)果合成過(guò)程的PSO-回歸BP網(wǎng)絡(luò)模型，并用歷史數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，結(jié)果表明所建模型誤差小、網(wǎng)絡(luò)泛化能力強(qiáng).

1 氧樂(lè)果合成過(guò)程特性分析

氧樂(lè)果合成反應(yīng)是一個(gè)劇烈的放熱反應(yīng)，反應(yīng)物是一甲胺和精酯，反應(yīng)產(chǎn)物是氧樂(lè)果粗原油，反應(yīng)設(shè)備主要包括計(jì)量罐、反應(yīng)釜、冷卻系統(tǒng)等.氧樂(lè)果的合成反應(yīng)過(guò)程對(duì)溫度和一甲胺投料速度均有較高的要求.

生產(chǎn)過(guò)程中通常先將精酯裝入外壁纏有冷卻鹽水管道的反應(yīng)釜中，將其冷卻到-20 ℃以下，之后計(jì)量罐中的一甲胺開(kāi)始滴注到反應(yīng)釜內(nèi)并進(jìn)行均勻攪拌，在冷卻系統(tǒng)的作用下實(shí)現(xiàn)合成反應(yīng).反應(yīng)初期由于反應(yīng)釜中精酯含量較高，投入的一甲胺還比較少，所以反應(yīng)產(chǎn)生的熱量很快被吸收，溫升較慢.隨著一甲胺投入量的增加，反應(yīng)釜溫度開(kāi)始迅速攀升，此時(shí)要減小一甲胺流量，抑制合成反應(yīng)的放熱量和放熱速度，從而使反應(yīng)溫度的上升趨勢(shì)放緩，防止由于溫升速率過(guò)高造成溫度超標(biāo).當(dāng)反應(yīng)釜溫度上升到-14～-12 ℃時(shí)，應(yīng)當(dāng)保持適當(dāng)?shù)耐读纤俣龋瓜到y(tǒng)處于熱平衡狀態(tài)，反應(yīng)溫度在小范圍內(nèi)變化.當(dāng)一甲胺的剩余量較少時(shí)，由于反應(yīng)釜內(nèi)的精酯大部分已經(jīng)被消耗掉，反應(yīng)釜溫度不會(huì)快速攀升，在溫度不超過(guò)-12 ℃的前提下盡快完成一甲胺投料.

該反應(yīng)過(guò)程受到很多干擾因素的影響，具有多變量特性.其中一甲胺流量、反應(yīng)進(jìn)行時(shí)間、冷卻鹽水溫度、一甲胺累積投料量對(duì)反應(yīng)釜溫度的影響較為顯著.此外，精酯含量、一甲胺含量、冷卻系統(tǒng)熱交換的好壞等對(duì)反應(yīng)釜溫度也有一定的影響.通過(guò)對(duì)生產(chǎn)過(guò)程的特性分析知道該反應(yīng)過(guò)程還具有明顯的非線性和時(shí)變特性.針對(duì)此類復(fù)雜系統(tǒng)，無(wú)法采用傳統(tǒng)方法建立精確的模型，因此有必要研究智能建模方法.

2 氧樂(lè)果合成過(guò)程建模

近年來(lái)動(dòng)態(tài)回歸網(wǎng)絡(luò)受到了人們的普遍關(guān)注，回歸網(wǎng)絡(luò)的一個(gè)最顯著特點(diǎn)就是它的輸出端信號(hào)通過(guò)延時(shí)環(huán)節(jié)或者一階慣性環(huán)節(jié)的反饋機(jī)構(gòu)連接到輸入端.其代表是Hopfield網(wǎng)絡(luò)和Elman網(wǎng)絡(luò),此類網(wǎng)絡(luò)在建立動(dòng)態(tài)系統(tǒng)模型方面有其長(zhǎng)處，但同時(shí)應(yīng)指出它采用的是動(dòng)態(tài)反傳算法，其運(yùn)算量比靜態(tài)BP算法大得多.因此，一些研究者嘗試將BP算法中采用的梯度下降法推廣到回歸網(wǎng)絡(luò)中，由此產(chǎn)生了回歸BP網(wǎng)絡(luò).

氧樂(lè)果生產(chǎn)過(guò)程中的溫度是每隔一分鐘采樣一次，前一分鐘的溫度對(duì)當(dāng)前時(shí)刻的溫度可能產(chǎn)生重大影響.所以我們要采用回歸BP網(wǎng)絡(luò)，將溫度輸出變量延時(shí)一拍作為神經(jīng)網(wǎng)絡(luò)的一個(gè)輸入，使網(wǎng)絡(luò)同時(shí)具有前饋和反饋機(jī)制，可以充分利用輸入輸出數(shù)據(jù)的動(dòng)態(tài)信息，使其一開(kāi)始就能夠跟蹤對(duì)象的特性，以期獲得更為精確的溫度對(duì)象模型.

2.1確定回歸BP網(wǎng)絡(luò)模型結(jié)構(gòu)

影響反應(yīng)釜溫度的主要因素有4種，它們之間關(guān)系可以表示為

Tfyf=f(Fyja,Tlqs,sumyja,tfy)，

(1)

其中，F(xiàn)yja為一甲胺流量；Tlqs為冷卻鹽水的溫度；sumyja為一甲胺的總投料量；tfy為反應(yīng)進(jìn)行時(shí)間.

那么，網(wǎng)絡(luò)的輸入變量就為影響反應(yīng)釜溫度的4個(gè)主要因素及反應(yīng)釜前一時(shí)刻的溫度Tfyf(t-1)；輸出變量為反應(yīng)釜溫度Tfyf；網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)先由經(jīng)驗(yàn)公式確定為12個(gè)，后經(jīng)試驗(yàn)方法驗(yàn)證12個(gè)較為理想.故本文采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)就為5×12×1，輸入層為5維的輸入向量和一個(gè)閾值結(jié)點(diǎn)，該閾值的存在保證了網(wǎng)絡(luò)的收斂特性.中間層有12個(gè)神經(jīng)元和一個(gè)閾值結(jié)點(diǎn)，輸出層只有一個(gè)神經(jīng)元,為反應(yīng)釜溫度輸出.相鄰兩層神經(jīng)元之間以全連接的方式相連.

2.2優(yōu)化網(wǎng)絡(luò)參數(shù)的PSO算法

對(duì)BP模型的初始權(quán)閾值先采用一定的策略進(jìn)行優(yōu)化，然后再采用BP算法進(jìn)行二次優(yōu)化確定最終權(quán)閾值可以提高模型的運(yùn)行效率[8].PSO算法的特點(diǎn)使其在神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化方面已獲得較為廣泛的應(yīng)用[9-10].

楊偉東畢業(yè)于位于江蘇南京的河海大學(xué)中文系，并不出眾的學(xué)歷，加上又是在海歸遠(yuǎn)“吃香”于土鱉的外企，他還是在2009年到2011年，從一名普通職員一路升到了諾基亞大中國(guó)區(qū)市場(chǎng)營(yíng)銷總監(jiān)。之后，楊偉東等人創(chuàng)立了麥特文化，一只腳踏進(jìn)了文娛圈。

PSO算法是基于群體的，最初是為了在二維空間圖形化模擬鳥(niǎo)群優(yōu)美而不可預(yù)測(cè)的運(yùn)動(dòng)[11]，從這種模型中得到啟發(fā)并用于解決優(yōu)化問(wèn)題，后來(lái)將其推廣到D維空間.每個(gè)優(yōu)化問(wèn)題的解就是搜索空間中的一只鳥(niǎo)，鳥(niǎo)被抽象為沒(méi)有質(zhì)量和體積的微粒點(diǎn),鳥(niǎo)在搜索空間中以一定的速度飛行，這個(gè)速度根據(jù)它本身的飛行經(jīng)驗(yàn)和同伴的飛行經(jīng)驗(yàn)來(lái)動(dòng)態(tài)調(diào)整.第i個(gè)微粒在D維空間的位置矢量表示為xi(xi1,xi2,…,xiD)T，速度矢量表示為vi=(vi1,vi2,…,viD)T.每個(gè)粒子都有一個(gè)被優(yōu)化的函數(shù)決定的適應(yīng)值，它經(jīng)歷過(guò)的最好位置(有最好的適應(yīng)值)記為pi=(pil,pi2,…,piD)，也稱為pbest，這個(gè)可看作粒子本身的飛行經(jīng)驗(yàn).群體所有微粒經(jīng)歷過(guò)的最好位置用Pg表示，也稱為gbest，這個(gè)可看作是粒子同伴的飛行經(jīng)驗(yàn).PSO算法是一種基于迭代的優(yōu)化工具，對(duì)于每一代，它的第d維(1≤d≤D)根據(jù)方程(2)、(3)進(jìn)行變化：

vid(t+1)=w(t)×vid(t)+c1×r1×(pid(t)-xid(t))+c2×r2×(pgd(t)-xid(t)),

(2)

xid(t+1)=xid(t)+vid(t+1).

(3)

其中，i=1,2,…，M，M為該群體中粒子總數(shù)；d=1,2,…,D，D為解空間維數(shù)，即自變量的個(gè)數(shù)；w為慣性權(quán)重函數(shù)，通常在進(jìn)化過(guò)程中線性遞減；t為進(jìn)化代數(shù)；c1和c2為位移變化的限定因子，通常為2；r1和r2為兩個(gè)在[0,1]范圍里變化的隨機(jī)值.此外，微粒的速度vi被一個(gè)最大速度vmax所限制，控制粒子的位移不至過(guò)大，如果當(dāng)前對(duì)微粒的加速導(dǎo)致它在某維的速度vid超過(guò)該維的最大速度vmax,d，則該維的速度被限制為最大速度vmax,d.迭代終止條件一般選為最大迭代次數(shù)或滿足較好的適應(yīng)值.

2.3數(shù)據(jù)預(yù)處理

從現(xiàn)場(chǎng)采集的歷史數(shù)據(jù)中取出4組，其中Fyja，T1qs和Tfyf是可以直接測(cè)量的數(shù)據(jù)；sumyja可由計(jì)量罐液位計(jì)算得到，反應(yīng)時(shí)間tfy由反應(yīng)時(shí)刻t計(jì)算得到.因?yàn)檩斎胼敵鰯?shù)據(jù)存在測(cè)量噪聲，系統(tǒng)本身也存在動(dòng)態(tài)干擾，故在系統(tǒng)辨識(shí)之前有必要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理.首先應(yīng)對(duì)數(shù)據(jù)進(jìn)行壞值剔除，消除粗差；其次將數(shù)據(jù)進(jìn)行隨機(jī)誤差與系統(tǒng)誤差預(yù)處理；最后按(4)式進(jìn)行歸一化處理.

(4)

式中y,y′分別為歸一化前后的數(shù)據(jù)，ymin,ymax分別是所有采樣數(shù)據(jù)中的最小值和最大值.

將歸一化后的數(shù)據(jù)取3組作為訓(xùn)練樣本，另一組作為測(cè)試樣本.其中Fyja，T1qs，sumyja,tfy,Tfyf構(gòu)成輸入矩陣P，反應(yīng)釜溫度構(gòu)成目標(biāo)矩陣Q.

基于PSO算法的優(yōu)點(diǎn)，將其與BP算法結(jié)合起來(lái)形成混合算法，對(duì)回歸BP神經(jīng)網(wǎng)絡(luò)的權(quán)閾值進(jìn)行優(yōu)化.首先我們根據(jù)已確定好的回歸BP網(wǎng)絡(luò)結(jié)構(gòu)計(jì)算粒子群神經(jīng)網(wǎng)絡(luò)的維數(shù)；然后將神經(jīng)網(wǎng)絡(luò)的全體權(quán)值和閾值向量映射為粒子群搜索空間中的位置元素；其次采用粒子群算法尋找模型的初始權(quán)值與閾值；最后再采用改進(jìn)的BP算法訓(xùn)練經(jīng)過(guò)粒子群算法尋優(yōu)的初始權(quán)值與閾值，得到最終模型.

建模過(guò)程用matlab程序?qū)崿F(xiàn)，具體流程如下：

Step1根據(jù)已確定好的回歸BP網(wǎng)絡(luò)結(jié)構(gòu)5×12×1，計(jì)算粒子群神經(jīng)網(wǎng)絡(luò)的維數(shù)n=(5+1)×12+(12+1)×1=85.

Step2確定粒子群規(guī)模及迭代次數(shù).對(duì)于粒子個(gè)數(shù)m，通常在10～50之間取值，文中取為40.將神經(jīng)網(wǎng)絡(luò)的全體權(quán)值和閾值向量映射為粒子群搜索空間中的位置元素，則粒子搜索空間的維數(shù)即為85.迭代次數(shù)Tmax=150.

Step3慣性因子w的設(shè)置.慣性權(quán)重用來(lái)控制粒子以前速度對(duì)當(dāng)前速度的影響，它將影響粒子的全局搜索能力和局部搜索能力，較大的w有利于跳出局部極小點(diǎn)，較小的w有利于算法收斂.但由PSO微粒的搜索特征不難發(fā)現(xiàn)[12]，線性減小策略中w保持較大值和較小值的時(shí)間都很短，不能很好滿足開(kāi)始搜索速度快些、搜索后期速度慢些的要求.本文w采取(5)式按余弦規(guī)律遞減的策略，使w由0.9動(dòng)態(tài)遞減至0.1.

(5)

式中，Tmax為最大迭代次數(shù)；t為當(dāng)前迭代次數(shù)；wmax=0.9；wmin=0.1.

Step4確定適應(yīng)度評(píng)價(jià)函數(shù).文中適應(yīng)度函數(shù)取為訓(xùn)練均方誤差函數(shù)，

(6)

Step5速度與位置初始化[13].隨機(jī)生成m個(gè)個(gè)體，每個(gè)個(gè)體由兩部分組成，第一部分為粒子的速度矩陣，第二部分代表粒子的位置矩陣.由于BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值一般初始化為[-1,1] 之間的隨機(jī)數(shù)，故將粒子群中每個(gè)粒子位置參數(shù)均取為[-1,1]之間的隨機(jī)數(shù)作為PSO 算法的初始解集.

Step6輸入訓(xùn)練樣本的輸入矩陣和目標(biāo)矩陣，計(jì)算網(wǎng)絡(luò)的輸出，并根據(jù)(6)式評(píng)價(jià)每個(gè)粒子在神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本下的適應(yīng)度.

Step7進(jìn)行極值更新.比較每個(gè)粒子的適應(yīng)值和pbest，若粒子當(dāng)前適應(yīng)度優(yōu)于pbest,pbest被當(dāng)前位置替換；若所有粒子的當(dāng)前最優(yōu)適應(yīng)值優(yōu)于gbest,gbest被當(dāng)前最優(yōu)位置替換.

Step8根據(jù)(2)、(3)和(5)式進(jìn)行粒子速度和位置的更新，即調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值.

Step9檢驗(yàn)是否符合結(jié)束條件，如果當(dāng)前的迭代次數(shù)達(dá)到了預(yù)先設(shè)定的最大次數(shù)(文中設(shè)為150次)或達(dá)到最小誤差要求，則停止迭代，轉(zhuǎn)Step10，否則返回Step6繼續(xù)進(jìn)行迭代.

Step10算法停止迭代時(shí)，Pg對(duì)應(yīng)的值即為訓(xùn)練問(wèn)題的最優(yōu)解，即回歸BP網(wǎng)絡(luò)的權(quán)值與閾值.

Step11回歸BP神經(jīng)網(wǎng)絡(luò)模型中隱含層傳輸函數(shù)取為“tansig”，輸出層傳輸函數(shù)取為“l(fā)ogsig”；網(wǎng)絡(luò)訓(xùn)練目標(biāo)誤差取為0.000 1.將Step10得到的最優(yōu)解代入回歸BP神經(jīng)網(wǎng)絡(luò)模型中，采用改進(jìn)的BP算法(添加動(dòng)量項(xiàng)與自適應(yīng)學(xué)習(xí)率相結(jié)合)進(jìn)行二次訓(xùn)練學(xué)習(xí)，最終形成所需的對(duì)象模型.

3 模型驗(yàn)證與分析

保存得到的最終對(duì)象模型，取出測(cè)試樣本(與訓(xùn)練樣本經(jīng)過(guò)相同預(yù)處理)對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證.為對(duì)比起見(jiàn)，我們也建立了BP網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證，驗(yàn)證結(jié)果如圖1和圖2所示.從圖中可以看出，BP網(wǎng)絡(luò)模型誤差較大，通過(guò)計(jì)算得到BP網(wǎng)絡(luò)模型最大誤差高達(dá)12.4% .這些誤差比較大的點(diǎn)出現(xiàn)在合成反應(yīng)的溫度上升階段，這個(gè)階段合成反應(yīng)的總體放熱效果開(kāi)始超過(guò)系統(tǒng)的冷卻效果，系統(tǒng)的熱平衡被打破，反應(yīng)溫度開(kāi)始快速增長(zhǎng).而PSO-回歸BP網(wǎng)絡(luò)具有反饋機(jī)制，充分利用了輸入輸出數(shù)據(jù)之間的關(guān)系，較好地跟蹤對(duì)象特性，尤其是在溫度上升階段誤差明顯減小，更好地模擬了溫度過(guò)程的變化，曲線擬合精度更高，最大誤差只有4.9%，最小誤差還不足0.03%.

圖3所示為PSO尋找回歸BP網(wǎng)絡(luò)模型參數(shù)的最優(yōu)適應(yīng)度變化曲線，由圖可知經(jīng)過(guò)100余次迭代粒子群算法已找到初步最優(yōu)解，在此基礎(chǔ)上采用改進(jìn)的BP算法繼續(xù)學(xué)習(xí)訓(xùn)練，只用9步就達(dá)到了訓(xùn)練目標(biāo)，網(wǎng)絡(luò)收斂很快，訓(xùn)練誤差曲線如圖4所示，而單獨(dú)采用改進(jìn)的BP算法經(jīng)過(guò)2 000余次迭代還遠(yuǎn)達(dá)不到訓(xùn)練目標(biāo).這主要是由于PSO算法通過(guò)動(dòng)態(tài)遞減的慣性權(quán)重協(xié)調(diào)了全局搜索與局部搜索，既能以較大的概率保證最優(yōu)解，克服BP算法局部最優(yōu)的缺陷，又可以提高局部區(qū)域的收斂速度，避免在局部區(qū)域搜索過(guò)程中的收斂停滯現(xiàn)象.

圖1 基于BP網(wǎng)絡(luò)的溫度輸出驗(yàn)證曲線Fig.1 Verifying curve of temperature output based on BP network

圖2 PSO-回歸BP網(wǎng)絡(luò)的溫度輸出驗(yàn)證曲線Fig.2 Verifying curve of temperature network output of PSO-recurrent BP network

圖3 PSO最優(yōu)適應(yīng)度曲線Fig.3 Curve of fitness of PSO

圖4 PSO-回歸BP網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig.4 Curve of training error of PSO-recurrent BP network

4 結(jié)論

PSO優(yōu)化算法對(duì)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練操作簡(jiǎn)單，計(jì)算復(fù)雜度低，它能有效地搜索到神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和最佳閾值，而回歸網(wǎng)絡(luò)能更好地體現(xiàn)系統(tǒng)的動(dòng)態(tài)特性.本文將二者相結(jié)合，建立了氧樂(lè)果合成過(guò)程溫度對(duì)象的PSO-回歸BP網(wǎng)絡(luò)模型，仿真結(jié)果表明該模型結(jié)合了粒子群算法的全局尋優(yōu)能力和 BP神經(jīng)網(wǎng)絡(luò)算法的局部搜索優(yōu)勢(shì)，更體現(xiàn)了實(shí)際系統(tǒng)的動(dòng)態(tài)性能，較真實(shí)地反映了氧樂(lè)果合成反應(yīng)的溫度特性，具有較高的精度、較好的性能，可以用來(lái)研究氧樂(lè)果合成過(guò)程溫度自動(dòng)控制系統(tǒng)的優(yōu)化控制算法，為實(shí)現(xiàn)綜合優(yōu)化控制提供有力的依據(jù).

[1] Yang J M, Kao C Y.A robust evolutionary algorithm for training neural networks[J].Neural Computing and Application,2001,10(3):214-230.

[2] 馮冬青，張新征，費(fèi)敏銳.基于回歸神經(jīng)網(wǎng)絡(luò)的氧樂(lè)果合成過(guò)程建模與仿真[J].系統(tǒng)仿真學(xué)報(bào)，2005,17(6):1522-1524.

[3] 王曉沛.基于神經(jīng)網(wǎng)絡(luò)的智能控制方法研究[D].鄭州：鄭州大學(xué)，2007.

[4] Yang Shuxia.Neural network forecast under the organic hybrid model of genetic algorithm and particle swarm algorithm[C]//Proceedings of the 2008 International Conference on Wavelet Analysis and Pattern Recognition.Hong Kong, 2008:30-31.

[5] AlRashidi M R， El-Hawary M E.A survey of particle swarm optimization applications in electric power systems[J].IEEE Transactions on Evolutionary Computation,2009,13(4):913-918.

[6] 田麗，夏新運(yùn)，蔣慧，等.基于PSO-BP混合算法的短期電力負(fù)荷預(yù)測(cè)[J].自動(dòng)化與儀器儀表,2009(2):40-41.

[7] 孫世昶，劉洪波，林鴻飛，等.一種離散粒子群算法在對(duì)等網(wǎng)絡(luò)鄰接選擇問(wèn)題中的應(yīng)用[J].鄭州大學(xué)學(xué)報(bào)：理學(xué)版，2009,41(1)：86-89.

[8] 岳琳，張宏偉，王亮.粒子群優(yōu)化算法在城市需水量預(yù)測(cè)中的應(yīng)用[J]天津大學(xué)學(xué)報(bào)：自然科學(xué)版，2007,40(6):742-746.

[9] 梁本亮, 王增忠, 孫富學(xué).基于PSO的結(jié)構(gòu)損傷檢測(cè)應(yīng)用研究[J].鄭州大學(xué)學(xué)報(bào)：理學(xué)版，2006,38(4):93-97.

[10] 楊光友，劉瓊.前向神經(jīng)網(wǎng)絡(luò)粒子群優(yōu)化學(xué)習(xí)算法研究[J].廣西師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，26(3):151-156.

[11] Kennedy J, Eberhart R C.Particle swarm optimization [C]//IEEE International Conference on Neural Networks. Piscataway, 1995:1942-1948．

[12] 陳國(guó)初，俞金壽.增強(qiáng)型微粒群優(yōu)化算法及其在軟測(cè)量中的應(yīng)用[J].控制與決策：2005，20(4)：377-381.

[13] 王海軍，白玫，賈兆立，等.基于粒子群神經(jīng)網(wǎng)絡(luò)的期貨價(jià)格預(yù)測(cè)[J].計(jì)算機(jī)工程與設(shè)計(jì),2009，30(10)：2428-2430.

ModelingMethodofPSO-recurrentBPNetworkforOmethoateSynthesisProcess

FENG Dong-qing, YANG Shu-xian

(SchoolofElectricalEngineering,ZhengzhouUniversity,Zhengzhou450001,China)

In order to improve the model efficiency and show dynamic characteristic of the system, the modeling method of PSO-recurrent BP network for omethoate synthesis process was studied.Firstly, the structure of PSO-recurrent BP network was determined according to the features of the object.Secondly, PSO algorithm was used to optimize the weight and threshold of BP neural network.Finally, the improved BP algorithm was used to train the pre-optimized weight and threshold for getting further accurate parameters of the model.The simulation results showed that this model not only had small error, fast convergence speed and strong ability of network generalization, but also show characteristics of the actual object well.

PSO algorithm； recurrent BP neural network； omethoate synthesis； temperature object

TP 391.9

A

1671-6841(2011)03-0113-05

2010-05-12

國(guó)家自然科學(xué)基金資助項(xiàng)目，編號(hào)60774059.

馮冬青(1958-),男,教授,主要從事智能控制理論與應(yīng)用研究，E-mail:dqfeng@zzu.edu.cn；通訊作者：楊書顯(1983-),女,碩士研究生, 主要從事智能控制理論與應(yīng)用研究.