带有稳定学习的递归神经网络动态偏最小二乘建模 (2012年)

针对目前非线性动态偏最小二乘(PLS)建模方法在拟合较强非线性化工过程时存在的问题,提出一种基于 稳定学习的递归神经网络动态PLS建模方法.该算法将递归神经网络与Hammerstein模型相结合,对外部PLS提取的 特征向量进行内部建模,具有逼近较强非线性化工过程的能力,改善了模型的适用范围.此外,采用带有稳定学习的参数更新算法对模型参数进行在线修正,改善了模型的预测精度和自适应能力.将此方法应用于氧化铝生产过程 铝酸钠溶液组分浓度建模实验,仿真结果表明,本方法是可行有效的.