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：合肥工业大学

摘要：本发明涉及一种基于径向基神经网络的后处理系统氨气浓度预测方法，所述方法包括：导入数据；过滤导入数据；把过滤后的数据集划分为训练集和测试集；对划分后数据进行归一化处理；构建RBF神经网络模型；对RBF神经网络模型的输出数据进行反归一化处理后得到氨气的预测浓度值；根据氨气的预测浓度值计算损失函数得到偏差；判断偏差是否小于设置的偏差阈值；当偏差大于偏差阈值时则对RBF神经网络模型进行反向传播和更新参数，使得其模型的预测值与实际值之间的偏差小于阈值进而得到训练好的RBF神经网络模型，此时引入经过归一化处理后的测试集进行测试，输出预测氨气浓度值，本发明设计了一种创新的氨气浓度预测模型，弥补了目前技术上的空缺。

主权项：1.一种基于径向基神经网络的后处理系统氨气浓度预测方法，其特征在于，所述方法包括以下步骤：导入氨气传感器的氧气电极和氮氧化物电极提供的有关氧气和氮氧化物浓度有关的数据，其中，导入的数据是氮氧化物电极和氧气电极所传输的电压值，除此之外对于RBF神经网络的输入还需引入氮氧化物电极电压值和氧气电极电压值的一阶导数；过滤导入数据中的非正常数据；把过滤后的数据集划分为训练集和测试集，其中，训练集用来训练RBF神经网络模型，当模型训练好以后再将测试集输入到神经网络模型中来预测氨气浓度值；对划分后的训练集和测试集进行归一化处理；构建RBF神经网络模型；对RBF神经网络模型的输出数据进行反归一化处理；根据反归一化处理结果得到氨气的预测浓度值；根据氨气的预测浓度值计算损失函数，得到实际值与预测浓度值之间的偏差；对比偏差和设置的偏差阈值，判断偏差是否小于设置的偏差阈值；当偏差大于偏差阈值时则对RBF神经网络模型进行反向传播通过更新参数调整神经网络模型，使得其模型的预测值与实际值之间的偏差小于阈值进而得到训练好的RBF神经网络模型，其中，所述参数包括权重、基函数中心和宽度；当偏差值小于偏差阈值时得到训练好的RBF神经网路模型，此时引入经过归一化处理后的测试集进行测试，输出预测氨气浓度值；所述构建RBF神经网络模型的步骤包括：RBF神经网络模型结构由一层输入层、一层隐藏层和一层输出层构成；输入层：氧气电极电压值、氧气电极电压值一阶导数；隐藏层：采用RBF神经网络其隐藏层的核函数采用径向基函数作为激活函数，两个隐藏神经元分别对氧气电极电压值以及其一阶导数进行非线性映射，径向基函数采用高斯核函数，形式如下： 其中：Vx是输入电压，Vc是隐藏层神经元电压值中心，σ是控制基函数宽度的参数；径向基函数的使用以输入电压值数据为中心，通过径向的方式响应输入空间的不同区域，这种局部的表示使得RBF神经网路能够更有效地捕捉数据中的非线性关系；初始时，对于高斯核函数中隐藏层神经元中心的确定通过无监督学习算法K-Means聚类完成，在确定径向基函数的中心时，K-Means聚类帮助将数据点划分为K个聚类，并使用每个聚类的中心作为RBF的中心，过程如下：1首先要选择K值，即要聚类的电压值簇的数量；2初始化电压值中心点，随机选择K个电压值数据作为初始的聚类中心：3分配电压数据点到最近的中心：对于每个数据点Vi，将其分配到与其最近的电压值中心所在的簇Ck； 其中，Ck代表电压值簇，代表电压值簇的中心；4更新聚类的电压值中心：对于每个簇Ck，计算其所有电压值数据点的平均值，并将平均值作为新的聚类中心 5重复步骤3和4直到达到预定的迭代次数；6最终聚类完成后得到的每个电压值簇的中心点即为神经网络模型训练前初始设置的径向基函数的中心；其中，表示欧氏距离的平方，算法通过最小化所有数据点与其簇中心之间距离的总和来优化簇的划分；输出层：输出层负责将氧气电极电压值部分隐藏层输出和氧气电极电压值一阶导数部分隐藏层的输出进行线性组合，产生最终的网络输出；输出神经元与隐藏层的每个神经元相连接，连接的权重表示了该隐藏神经元对最终输出的贡献；输出层的计算示为： 其中，N是隐藏层中基函数的数量，δi是与第i个基函数相关联的权重，是基函数的电压值中心，是电压值输入V与基函数中心之间的距离，φx是径向基函数的输出；在RBF神经网络模型中，隐藏层的基函数起到非线性映射的作用，使得网络学习电压值及一阶导数与浓度之间的非线性关系，输出层负责将这些基函数的输出组合成最终的网络输出；所述对RBF神经网络模型的输出数据进行反归一化处理的步骤包括：反归一化是对经过归一化处理后的数据进行逆操作，将其转化回原始的数据范围，由于先前对导入的数据进行了归一化处理，因而需要对RBF神经网络模型的输出进行反归一化处理，将模型的输出数据转化回原始数据的尺度；先前对数据采用的归一化处理方法是Min-Max归一化处理，因而现采取Min-Max归一化的反操作： 其中：是预测氧气浓度神经网络模型的输出也即先前通过归一化处理后经过神经网络后的得到的氧气浓度输出值；是氧气浓度的原始数据范围；等式左侧的是经反归一化处理后得到的氧气预测浓度值；所述根据反归一化处理结果得到氨气的预测浓度值的步骤包括：经过反归一化处理后得到了氧气的预测浓度以及氮氧化物的浓度，因而根据化学反应关系将二者的浓度做差得到氨气的预测浓度值。

全文数据：

权利要求：

百度查询： 合肥工业大学 一种基于径向基神经网络的后处理系统氨气浓度预测方法