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(hào)：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： 年 月 日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(gè)神經(jīng)元交織在一起，構(gòu)成一個(gè)網(wǎng)狀結(jié)構(gòu)。它能完成諸如智能、思維、情緒等高級(jí)精神活動(dòng)，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)（Artificial Neural N

2、etworks，以下簡寫為 NN）是指模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能，運(yùn)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(gè)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(qiáng)度由各連接上的權(quán)值表示，權(quán)值為正表示激勵(lì)，為負(fù)表示抑制。（2） 一個(gè)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(gè)非線性激勵(lì)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(gè)閾值（或偏置）。以上作用可以用數(shù)學(xué)式表達(dá)為： ； ；式中為輸入信號(hào)，為神經(jīng)元的權(quán)值，為線性組合結(jié)

3、果，為閾值。為激勵(lì)函數(shù)，為神經(jīng)元的輸出。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(jì)算機(jī)的局限，是一個(gè)非線性動(dòng)力學(xué)系統(tǒng)，并以分布式存儲(chǔ)和并行協(xié)同處理為特色，雖然單個(gè)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(shí)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-Propagation Network)，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(shí)現(xiàn)從輸入到

4、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(shí)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?，即BP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圖2 BP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(節(jié)點(diǎn)) 組成，每一個(gè)神經(jīng)元的作用是計(jì)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(lì)函數(shù)輸出

5、。激勵(lì)函數(shù)一般是非減和可微函數(shù)，最常用的激勵(lì)函數(shù)是S函數(shù)和線性函數(shù)，S函數(shù)方程式為：以一個(gè)隱含層的BP 網(wǎng)絡(luò)為例，從輸人到輸出的映射過程為：式中，輸入信號(hào)； 和分別是隱含層節(jié)點(diǎn)的輸入值和輸出值； 輸出層節(jié)點(diǎn)的輸入值； 輸出信號(hào)； 節(jié)點(diǎn)之間的連接權(quán)重； 節(jié)點(diǎn)的閾值； 分別為輸入層和隱含層的節(jié)點(diǎn)數(shù)。BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程是由信息的正向傳播和誤差的反向傳播兩個(gè)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(jì)算后得到實(shí)際結(jié)果，當(dāng)實(shí)際結(jié)果和期望結(jié)果不符時(shí)，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)

6、不斷學(xué)習(xí)的過程，直到網(wǎng)絡(luò)輸出與實(shí)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(yùn)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(gè)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(yàn)證樣本的相對誤差統(tǒng)計(jì)見表1。由表1可知：液化氣、

7、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(yàn)證樣本的相對誤差統(tǒng)計(jì)產(chǎn)品誤差小于5%的樣本數(shù)誤差5%10%的樣本數(shù)誤差大于10%的樣本數(shù)平均相對誤差，%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(shí)際情況擬合良好，說明此模型可靠性比較高。在此基

8、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分餾塔的粗汽油干點(diǎn)模型為例，選取了7個(gè)輸入?yún)?shù)：反應(yīng)-再生系統(tǒng)的原料油流量和反應(yīng)溫度、分餾塔頂溫度和壓力、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)溫度對于分餾系統(tǒng)來說是不可調(diào)控的，為操作工況，其余為操作條件；1個(gè)輸出參數(shù)，即粗汽油的干點(diǎn)；1個(gè)隱含層，包含8個(gè)隱節(jié)點(diǎn)；從廠方提供的實(shí)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(diǎn)值與實(shí)際化驗(yàn)值之間的偏差小于2，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(shí)際生產(chǎn)中，粗汽油干點(diǎn)

9、一般保持在195和205之間，而當(dāng)干點(diǎn)控制在205時(shí)，油收率最大，經(jīng)濟(jì)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：在所用的100組樣本中選取合適的初值點(diǎn)，利用梯度搜索法進(jìn)行計(jì)算得到最佳的操作條件，如下表2表2 最佳操作條件輸入輸出參數(shù)生產(chǎn)條件1生產(chǎn)條件2生產(chǎn)條件3分餾塔頂溫/113.043114.435116.106分餾塔頂壓/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/163.007154.487150.605氣提蒸汽量/（t/h）3.243414.543632.94378四、結(jié)論神經(jīng)網(wǎng)

10、絡(luò)模型可以對龐大的化工實(shí)驗(yàn)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(shí)現(xiàn)了一個(gè)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(shí)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(jī)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(shí)例集自動(dòng)提取“合理的”求解規(guī)則，即具有自學(xué)習(xí)能力。同時(shí)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(jì)算智能:人工神經(jīng)網(wǎng)絡(luò)·模糊系統(tǒng)·進(jìn)化計(jì)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(bào)(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: 清華大學(xué),1992.5史忠植. 神經(jīng)網(wǎng)絡(luò)