国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

ACS880-07C
關(guān)注中國自動化產(chǎn)業(yè)發(fā)展的先行者!
隨著會計(jì)的發(fā)展,追蹤碳足跡
CAIAC 2025
2024
工業(yè)智能邊緣計(jì)算2024年會
2023年工業(yè)安全大會
OICT公益講堂
當(dāng)前位置:首頁 >> 案例 >> 案例首頁

案例頻道

基于免疫神經(jīng)網(wǎng)絡(luò)模型的油氣濃度預(yù)測研究
  • 企業(yè):控制網(wǎng)     領(lǐng)域:工廠信息化     行業(yè):石油天然氣    
  • 點(diǎn)擊數(shù):2143     發(fā)布時間:2005-07-26 17:11:53
  • 分享到:
將免疫算法與神經(jīng)網(wǎng)絡(luò)理論相結(jié)合,提出了免疫神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型以預(yù)報(bào)油庫油氣濃度。該模型首先用歷史數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練,然后利用訓(xùn)練好的模型進(jìn)行油氣濃度的趨勢預(yù)測,最后結(jié)合某油氣預(yù)報(bào)實(shí)例檢驗(yàn)了免疫神經(jīng)網(wǎng)絡(luò)模型的可行性。結(jié)果表明,該智能預(yù)報(bào)模型能夠較好地識別油氣擴(kuò)散的變化規(guī)律,預(yù)報(bào)精度明顯高于神經(jīng)網(wǎng)絡(luò)模型。



    油庫油氣濃度預(yù)測是油庫監(jiān)控系統(tǒng)的重要組成部分,是油庫安全生產(chǎn)管理必不可少的重要環(huán)節(jié)。油庫油氣濃度預(yù)測精度的高低,不僅直接影響著油庫的安全和作業(yè)效率,而且對提高油庫安全保障能力有著重要的意義。當(dāng)前油庫油氣濃度主要采用現(xiàn)場測量和遠(yuǎn)程監(jiān)控方法,這種方法只能對油氣濃度進(jìn)行實(shí)時測量,不能對未來的油氣濃度發(fā)展趨勢進(jìn)行預(yù)測,這同以預(yù)防為主的安全管理方法有一定的違背。我國在這方面進(jìn)行了長期的研究,但準(zhǔn)確預(yù)報(bào)困難。因此,只有正確認(rèn)識油氣擴(kuò)散的作用機(jī)制和演進(jìn)規(guī)律,分析其演變趨勢,實(shí)施較為準(zhǔn)確的油氣預(yù)報(bào)和預(yù)警措施,才能較大限度減小安全隱患和經(jīng)濟(jì)損失。因此,對油庫油氣的快速、準(zhǔn)確的預(yù)報(bào)是多年來國內(nèi)外專家十分關(guān)注的課題。本文采用免疫神經(jīng)網(wǎng)絡(luò)模型對井下油氣濃度進(jìn)行預(yù)測,以提前了解油氣濃度的大小及發(fā)展趨勢,采取預(yù)防措施,以此提高油庫的安全。

1  基于免疫算法的神經(jīng)網(wǎng)絡(luò)模型

1.1  BP網(wǎng)絡(luò)概述
    在眾多的神經(jīng)網(wǎng)絡(luò)中,多層前饋網(wǎng)絡(luò)(BP網(wǎng)絡(luò))具有很強(qiáng)的生物背景,它與函數(shù)逼近理論稍有差異,它具有多輸入多輸出特性,容易用于多變量非線性函數(shù)的逼近,由于它
是一個非線性網(wǎng)絡(luò),其學(xué)習(xí)算法是局部最優(yōu)的,且訓(xùn)練時需要用到全局信息。總的來說,BP網(wǎng)絡(luò)的主要優(yōu)點(diǎn)是:

(1)  只要有足夠多的隱層和隱節(jié)點(diǎn),BP網(wǎng)絡(luò)可以逼近任意非線性映射關(guān)系;
(2)  BP網(wǎng)絡(luò)的學(xué)習(xí)算法是屬于全局逼近的方法,因而具有很好的泛化能力;
(3)  BP網(wǎng)絡(luò)的輸入輸出之間的關(guān)聯(lián)信息分布地存儲于連接權(quán)中。由于連接權(quán)的個數(shù)很多,個別神經(jīng)元的損壞只對輸入輸出有很小的影響,因而具有很好的容錯性。

BP算法的主要缺點(diǎn)是:

    (1)  學(xué)習(xí)效率低,收斂速度慢。BP算法是Robbie和Monro提出的隨機(jī)逼近統(tǒng)計(jì)方法的一個應(yīng)用,在權(quán)值空間中“瞬時估計(jì)”誤差曲面的梯度。因此BP算法傾向于緩慢收斂,Saarinen的實(shí)驗(yàn)研究表明[4],BP算法的局部收斂速度是線性的。
    (2)  易限于局部極小狀態(tài)。從數(shù)學(xué)角度分析,梯度下降思想的BP算法不可避免的存在局部極小問題,另外由于實(shí)際問題的求解空間往往極其復(fù)雜,維數(shù)較高,存在更多的局部極小點(diǎn),使得陷入局部極小點(diǎn)的可能性大為增加。
    (3)  網(wǎng)絡(luò)的泛化及適應(yīng)能力差。BP算法的誤差平方和最小化指標(biāo),只能降低樣本的絕對誤差量,而造成神經(jīng)元學(xué)習(xí)收斂的不均衡性,一旦樣本存在“非主導(dǎo)模式”,即該模式對誤差的貢獻(xiàn)較小,僅依靠誤差指標(biāo)函數(shù)則難以進(jìn)行良好的訓(xùn)練,致使網(wǎng)絡(luò)對該模式缺乏良好的響應(yīng),影響網(wǎng)絡(luò)泛化性能。

1.2  免疫算法原理
    神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)目的是通過調(diào)節(jié)網(wǎng)絡(luò)權(quán)值W,使目標(biāo)代價函數(shù)E趨于最小。由于E是復(fù)雜的非線性函數(shù),采用BP算法與基于BP的導(dǎo)數(shù)型優(yōu)化方法均存在局部極小問題,因此目前越來越多的研究者采用遺傳計(jì)算來設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)權(quán)值,并已成功應(yīng)用于網(wǎng)絡(luò)權(quán)值學(xué)習(xí)[5]。遺傳算法(Genetic Algorithm,GA)是根據(jù)生物中遺傳與進(jìn)化的原理,仿效基因、染色體等物質(zhì)表達(dá)所研究的問題,遵循達(dá)爾文“物競天擇,適者生存”原則,使隨機(jī)生成的初始解通過復(fù)制、交換、突變等遺傳操作不斷迭代優(yōu)化,逐步逼近最優(yōu)解。遺傳算法是一種利用自然選擇和進(jìn)化思想在高維空間中尋優(yōu)的方法,不依賴于導(dǎo)數(shù)信息,并行度高,善于處理解空間為多峰值地形的全局優(yōu)化問題。但遺傳算法存在諸如當(dāng)初始解群分布不均勻時易出現(xiàn)末成熟收斂,陷于局部最優(yōu)和個體自適應(yīng)于環(huán)境的能力弱等缺點(diǎn)。
    生物體的免疫系統(tǒng)能夠以其有限的資源,有效應(yīng)付數(shù)量龐大的近乎無限的不同種類的病毒的侵害,這一特性引起了人們特別的關(guān)注。免疫算法(Immune Algorithm,IA)[6]正是這一思路的產(chǎn)物,是受生物免疫系統(tǒng)的啟示而設(shè)計(jì)出來的一種具有對多峰值函數(shù)進(jìn)行多峰值搜索及全局尋優(yōu)能力的新型算法。算法的主要思路是:將網(wǎng)絡(luò)權(quán)重視為生物免疫系統(tǒng)的淋巴細(xì)胞,通過對其基因交叉、變異的進(jìn)化操作和基于抗體濃度的調(diào)節(jié)操作,使基因不斷優(yōu)化,從而找到最佳抗體,即為滿足最小誤差函數(shù)E的權(quán)值向量。與進(jìn)化計(jì)算相比,免疫算法具有保持解群分布多樣性的優(yōu)點(diǎn),較好地克服了進(jìn)化計(jì)算在初始化解群分布不均勻時易出現(xiàn)未成熟收斂,陷于局部最優(yōu)和收斂速度慢的缺點(diǎn)。
    基于上述情況,本文提出基于免疫過程的神經(jīng)網(wǎng)絡(luò)訓(xùn)練的免疫遺傳算法(Immune Genetic Algorithm,IGA)。主要過程見圖1所示。



圖1  免疫遺傳算法框圖

1.3  基于免疫遺傳的神經(jīng)網(wǎng)絡(luò)訓(xùn)練

(1)  抗體編碼方式
    編碼操作適用于將問題空間映射為算法空間,有二進(jìn)制碼和實(shí)數(shù)編碼等方式。前者簡明通用,易于進(jìn)行遺傳操作,但不具備正則性,并破壞了解空間的拓?fù)溥B續(xù)性。實(shí)數(shù)編碼為自然正則碼,適于高精度運(yùn)算,神經(jīng)網(wǎng)絡(luò)權(quán)值及結(jié)構(gòu)編碼多用后者,本文依然沿用實(shí)數(shù)編碼方法。



圖2  實(shí)數(shù)編碼圖

    典型的三層前饋網(wǎng)絡(luò)n-h-m結(jié)構(gòu),網(wǎng)絡(luò)節(jié)點(diǎn)依次編號為1, 2,…, n(輸入層),n+1,…, n+h(隱含層),n+h+1,…, n+h+m (輸出層);連接權(quán)wij表示由節(jié)點(diǎn)i到節(jié)點(diǎn)j的輸出權(quán);閾值bj為前一層對節(jié)點(diǎn)j的輸出閾值,然后依節(jié)點(diǎn)i順序串聯(lián)權(quán)值與閾值,構(gòu)成如圖2的抗體串。圖2中,αj與αbj分別為網(wǎng)絡(luò)節(jié)點(diǎn)和閾值節(jié)點(diǎn)存在標(biāo)識,用于控制網(wǎng)絡(luò)結(jié)構(gòu)。當(dāng)αj
αbj取值為1時該節(jié)點(diǎn)存在;否則該節(jié)點(diǎn)被刪減。
(2)  適應(yīng)度計(jì)算
    設(shè)抗體Pi對應(yīng)的網(wǎng)絡(luò)的能量函數(shù)為Ei,則適應(yīng)度函數(shù)F(i)可直接定義為Ei的函數(shù)。本文設(shè)定: 

其中,const為大于零的常數(shù),其目的是避免分母為0的溢出中斷,本文取const = 0.01。對本文考慮的單隱層前饋網(wǎng)絡(luò),
 
式中,Tp,k和Yp,k分別為第p個訓(xùn)練樣本的第k個輸出節(jié)點(diǎn)的期望輸出和實(shí)際輸出。

(3)  遺傳操作

對選擇后的抗體群,進(jìn)行遺傳操作。
①  交叉。這里采納兩點(diǎn)交叉方式;
②  高斯變異。首先將抗體解碼為相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu),對所有權(quán)值組合的向量wi按下式

進(jìn)行變換,重新組成新的抗體。式中,N (0, 1)為高斯算子。

(4)  基于濃度的群體更新
    群體更新策略結(jié)合免疫機(jī)制中抗體間基于濃度的相互抑制作用,引入濃度因子調(diào)整個體的選擇幾率Ps(i),總的目標(biāo)是抑制濃度過高抗體,同時保證適應(yīng)度高的個體被選中的概率大。因?yàn)榭贵w的濃度過高,則在進(jìn)化過程中容易陷入未成熟收斂。具體方法為:


    式中,α,β為0~1間的可調(diào)參數(shù);MaxFitness為抗體的最大適應(yīng)度;C為抗體的濃度,可定義為:


    其中,η為0~1之間的系數(shù),用于控制濃度。可以看出:對高濃度的t個抗體,其中適應(yīng)度較高的抗體獲得的得分修正反而較少;若抗體的濃度不高,則上式也可保證高適應(yīng)度的抗體得到的得分修正相對也高。

2  基于神經(jīng)網(wǎng)絡(luò)模型的油氣濃度智能預(yù)報(bào)

    我國油庫眾多,由于它受多種自然因素的影響,因而決定了它的特殊性和復(fù)雜性。特別是機(jī)場油庫的監(jiān)控任務(wù)十分艱巨,必須引起足夠的重視。油庫油氣濃度的預(yù)報(bào)研究包括兩個方面:
    一是油氣濃度的趨勢預(yù)報(bào),即根據(jù)油氣濃度的歷史數(shù)據(jù)來預(yù)測其未來一段時間的變化規(guī)律;
    二是油氣擴(kuò)散的機(jī)理研究。油氣的擴(kuò)散過程取決于環(huán)境的溫度、濕度、通風(fēng)條件等自然因素,因此,油氣濃度預(yù)報(bào)模型必須能夠反映油氣擴(kuò)散的自然規(guī)律。

2.1  智能預(yù)報(bào)原理
    神經(jīng)網(wǎng)絡(luò)的主要特征是自學(xué)習(xí),通過對樣本模式的學(xué)習(xí),模擬信息之間的內(nèi)在機(jī)制。神經(jīng)網(wǎng)絡(luò)對油氣濃度擴(kuò)散機(jī)制進(jìn)行識別的實(shí)質(zhì),是通過選擇適當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)模型,逼近實(shí)際系統(tǒng)的動態(tài)過程。若以某一時段的油氣濃度要素作為網(wǎng)絡(luò)的輸入,以未來一段時間的相應(yīng)油氣濃度要素作為網(wǎng)絡(luò)的輸出,網(wǎng)絡(luò)模型通過對歷史油氣資料的學(xué)習(xí),就能對蘊(yùn)含在該時段的油氣擴(kuò)散規(guī)律進(jìn)行映射。
    設(shè)網(wǎng)絡(luò)輸入X=[X1,X2,…,Xn]T表示上個時段的油氣條件,輸出Y=[Y1,Y2,…,Yn]T表示下一個時段的油氣條件,期望輸出Yd=[Yd1,Yd2,…,Ydn]T表示下一個時段實(shí)測的油氣情況,油氣擴(kuò)散機(jī)制可表示為從輸入矢量X(t)∈Rn到輸出矢量Y(t)∈Rn的非線性映射Ne,即

誤差指標(biāo)為
 
2.2  油氣濃度模型的建立
   
在油庫油氣濃度智能預(yù)報(bào)模型中,將上個時段的油氣參數(shù)作為網(wǎng)絡(luò)的輸入,將下個時段作為網(wǎng)絡(luò)的輸出,網(wǎng)絡(luò)的預(yù)見期T為24小時,以歷史油氣資料作為樣本對網(wǎng)絡(luò)進(jìn)行訓(xùn)練,使網(wǎng)絡(luò)識別出該時段的油氣擴(kuò)散規(guī)律,并將該規(guī)律貯存在網(wǎng)絡(luò)權(quán)重中。如果已知上個時段的油氣參數(shù),完成訓(xùn)練的網(wǎng)絡(luò)就會預(yù)報(bào)出下個時段的油氣參數(shù),油氣在整個時段的傳播時間即為網(wǎng)絡(luò)的預(yù)見期。某油庫油氣濃度智能預(yù)報(bào)模型的結(jié)構(gòu)示意圖如圖3所示。



圖3  智能預(yù)報(bào)的神經(jīng)網(wǎng)絡(luò)模型

    圖3中,t為上個時段的起報(bào)時刻,t+T 是網(wǎng)絡(luò)的預(yù)見期。對于油庫油氣濃度預(yù)報(bào)的建模思路是:構(gòu)造神經(jīng)網(wǎng)絡(luò)模型,應(yīng)用油氣資料進(jìn)行模型訓(xùn)練,當(dāng)訓(xùn)練精度達(dá)到要求時,神經(jīng)網(wǎng)絡(luò)模型就能在此精度下映射油氣擴(kuò)散機(jī)制。

3  油氣濃度模型的免疫訓(xùn)練

    訓(xùn)練樣本的預(yù)處理:在網(wǎng)絡(luò)的輸入項(xiàng)中,由于不同時段的參數(shù)相差較大,為了保證各因素處于同等地位,對輸入輸出項(xiàng)進(jìn)行數(shù)據(jù)歸一化預(yù)處理。
主要參數(shù)的取值如下:
網(wǎng)絡(luò)結(jié)構(gòu):5-10-1;
權(quán)值初始范圍:[-3,3];
訓(xùn)練集: 2003年2月16~19日油氣濃度;
測試集: 2003年2月20~22日油氣濃度;
群體規(guī)模:N = 200;
迭代次數(shù):epochs = 700;
控制參數(shù):α = β = 0.5;η = 0.8;
遺傳參數(shù):交叉概率Pc = 0.1;變異概率Pm = 0.05。
應(yīng)用上述參數(shù)對訓(xùn)練集進(jìn)行免疫遺傳學(xué)習(xí),并用測試集進(jìn)行泛化測試,MSE變化趨勢如圖4所示。



圖4  免疫遺傳算法的訓(xùn)練/測試誤差曲線

4  預(yù)報(bào)結(jié)果及分析

    圖5為2月16~18日油氣濃度預(yù)報(bào)結(jié)果與實(shí)際結(jié)果比較,圖6為2月19~22日油氣濃度預(yù)報(bào)結(jié)果與實(shí)際結(jié)果比較。



圖5  2003年2月16~18日油氣濃度預(yù)報(bào)結(jié)果


 



圖6  2003年2月19~22日油氣濃度預(yù)報(bào)結(jié)果

    預(yù)報(bào)結(jié)果表明,基于人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的油氣濃度智能預(yù)報(bào)模型能夠較好地反映油氣擴(kuò)散運(yùn)動機(jī)理。其中,最大預(yù)報(bào)誤差為6.86%;,最小預(yù)報(bào)誤差為2.36%,平均誤差為4.61%。預(yù)報(bào)精度較高,已達(dá)到實(shí)際應(yīng)用的精度
    從預(yù)報(bào)結(jié)果來看,網(wǎng)絡(luò)模型對油氣濃度的預(yù)報(bào)精度較高,但有時誤差較大,這主要是網(wǎng)絡(luò)的訓(xùn)練問題,訓(xùn)練樣本越多,代表性越強(qiáng),則精度越高。在實(shí)際應(yīng)用中還發(fā)現(xiàn),對于不同季節(jié)、不同的水文地質(zhì)環(huán)境,油氣擴(kuò)散過程會表現(xiàn)出不同變化規(guī)律,這主要是受自然因素的影響。因此,網(wǎng)絡(luò)模型應(yīng)具有在線學(xué)習(xí)功能。

5  結(jié)論

    檢驗(yàn)結(jié)果表明,該智能預(yù)報(bào)模型,能夠較好地識別油氣擴(kuò)散的演進(jìn)規(guī)律,對不同季節(jié)、不同水文地質(zhì)環(huán)境的油氣濃度都能進(jìn)行合理預(yù)報(bào)。所建模型精度的擬合值與預(yù)測值都與實(shí)際數(shù)據(jù)吻合得較好,各測點(diǎn)的誤差值均在許可的范圍內(nèi)。通過該預(yù)測方法可提前了解油氣濃度的大小及發(fā)展趨勢,及時采取預(yù)防措施,對保障油庫的安全具有重要的現(xiàn)實(shí)意義,為油庫油氣濃度預(yù)測提供了一種新方法。

熱點(diǎn)新聞

推薦產(chǎn)品

x
  • 在線反饋
1.我有以下需求:



2.詳細(xì)的需求:
姓名:
單位:
電話:
郵件:
主站蜘蛛池模板: 免费福利在线看黄网站 | 国产精品特黄一级国产大片 | 一级毛片美国aaj毛片 | 久久美女精品国产精品亚洲 | 一本色道久久爱 | 久草精品视频 | 三级视频在线播放 | 女人一级一级毛片 | 欧美日韩乱国产 | 玖玖在线免费视频 | 国产美女做爰免费视 | 欧美最猛性xxxxx亚洲精品 | 精品午夜国产在线观看不卡 | 国产黄色片网站 | 欧美三级香港三级日本三级 | 中文字幕一二三区 | 91精品国产综合久久香蕉 | 综合色久七七综合七七蜜芽 | 国产成人一区二区三区影院免费 | 一级全黄毛片 | 精品国产成人在线 | 91www成人久久 | 怡红院免费va男人的天堂 | 手机在线观看精品国产片 | 国产一级做a爰片在线 | 中文字幕亚洲视频 | 亚洲成a人片在线看 | 在线成人aa在线看片 | 视频一区 欧美 | 国产成人综合95精品视频免费 | 久久精品免费一区二区视 | caoporen在线视频入口 | 黄色国产在线观看 | 亚洲欧美卡通动漫丝袜美腿 | 日韩一级欧美一级一级国产 | 99re在线视频精品 | 亚洲网站在线播放 | 东莞a级毛片 | 欧美曰批人成在线观看 | 久久在线国产 | 国产综合精品一区二区 |