基于DAK-FNN的出水氨氮软测量建模方法

TP301; 针对因出水氨氮实时数据不完备建立的模型性能较差问题,在迁移学习框架下,提出一种基于数据与知识驱动的模糊神经网络(data-knowledge-driven fuzzy neural network,DAK-FNN)出水氨氮软测量建模方法.首先,为有效结合源场景已有知识和当前场景数据,提出一种基于迁移学习思想的知识传递方法,将从大量历史数据获取的参考模型蕴含的知识传递到目标模型,并利用在线学习的方式微调目标模型参数,提高模型精度.此外,提出一种基于长短时记忆机制的结构调整方法,将目标模型神经元分为核心神经元与非核心神经元,通过设定不同的神经元增删阈值调整结构,提高模型泛化性能.出水...

Full description

Saved in:
Bibliographic Details
Published in河南理工大学学报（自然科学版） Vol. 42; no. 2; pp. 134 - 159
Main Authors 张伟, 张春辉
Format Journal Article
LanguageChinese
Published 河南理工大学 电气工程与自动化学院,河南 焦作 454000 01.03.2023
Subjects
数据驱动
微调
软测量
知识驱动
出水氨氮
模糊神经网络
Online AccessGet full text
ISSN1673-9787
DOI10.16186/j.cnki.1673-9787.2021070052

Cover

More Information
Summary:TP301; 针对因出水氨氮实时数据不完备建立的模型性能较差问题,在迁移学习框架下,提出一种基于数据与知识驱动的模糊神经网络(data-knowledge-driven fuzzy neural network,DAK-FNN)出水氨氮软测量建模方法.首先,为有效结合源场景已有知识和当前场景数据,提出一种基于迁移学习思想的知识传递方法,将从大量历史数据获取的参考模型蕴含的知识传递到目标模型,并利用在线学习的方式微调目标模型参数,提高模型精度.此外,提出一种基于长短时记忆机制的结构调整方法,将目标模型神经元分为核心神经元与非核心神经元,通过设定不同的神经元增删阈值调整结构,提高模型泛化性能.出水氨氮预测实验结果表明,与其他方法相比,所提方法具有更高的在线预测精度和更好的实时性.
ISSN:1673-9787
DOI:10.16186/j.cnki.1673-9787.2021070052