买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中南大学

摘要：本发明提供一种基于改进HHO优化DELM的脱丁烷塔软测量建模方法，获取脱丁烷塔生产过程数据集并根据工艺原理和操作经验进行变量选择；对获取的数据集进行归一化处理，使其变成无量纲数据集；然后确定深度极限学习机DELM的拓扑结构，通过哈里斯鹰优化算法HHO对DELM隐含层的节点数进行优化，将DELM训练得到的根均方差作为适应度值，选取使模型误差最小的节点数；针对HHO的局限性，引入Piecewise混沌映射、惯性权重以及自适应t分布。基于脱丁烷塔生产过程数据集，构建经过改进HHO优化的DELM软测量模型，能够使模型避免局部最小值的出现，相较于其他方法建立的软测量模型的估计精度有所提升。

主权项：1.一种基于改进HHO优化DELM的脱丁烷塔软测量建模方法，其特征在于，包括：步骤S1、采集脱丁烷塔生产过程中的过程变量和目标变量，进行归一化处理后划分为训练集和测试集；步骤S2、确定深度极限学习机DELM的拓扑结构，确定哈里斯鹰优化算法HHO的初始化参数，并基于Piecewise混沌映射策略对种群进行初始化，以构建DELM模型；步骤S2具体包括：步骤S21、确定DELM的隐含层层数、正则化参数C和激活函数；初始化改进的HHO的参数，包括搜索维度dim、最大迭代次数T、种群规模m、DELM隐含层节点数上界lb、DELM隐含层节点数下界ub；步骤S22、基于Piecewise混沌映射策略初始化种群，以克服种群初始化的盲目性，具体为： 上式中，P为控制参数，P∈[0,1]；ri是第i个混沌数，ri∈[0，1]；步骤S23、建立DELM模型，先进行多层ELM-AE无监督特征提取，将输入样本X作为第一个ELM-AE的目标输出X1＝X，求输出权值β1，令w1＝βT1；将DELM第一个隐含层的输出矩阵H1作为下一个ELM-AE的输入与目标输出，依次类推逐层训练，求得各层的隐含层权重；其中，第i个隐含层的输出Hi计算为：Hi＝gHi-1·wiwii＝1,2,…,h表示第i-1隐含层和第i隐含层之间的权重，g.表示为Sigmoid激活函数；DELM模型的最后一层利用原始的ELM来进行训练，其输出权重γ的表达式为：γ*＝IkC+HTH-1HTY上式中，Ik表示k维的单位矩阵，C表示正则化参数，Y表示输出样本的实际值，H表示最后一个隐含层的输出；步骤S3、将DELM训练得到的根均方差作为适应度值，计算每个个体的适应度值并将适应度值最优的个体设置为当前猎物的最优位置；步骤S4、确定猎物的逃逸能量，基于所述逃逸能量确定搜索策略，并利用惯性权重更新猎物的位置；步骤S5、基于自适应t分布对最优位置进行扰动，若判断迭代完成，则将最优解作为DELM节点数，完成DELM模型的训练，输出测试集上的估计值，若迭代未完成，则跳转至步骤S3。

全文数据：

权利要求：

百度查询： 中南大学 基于改进HHO优化DELM的脱丁烷塔软测量建模方法