專利名稱：：基于遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡的丙烯聚合生產(chǎn)過程最優(yōu)軟測量儀表及方法
技術領域：
：本發(fā)明涉及最優(yōu)軟測量儀表及方法，具體是一種基于遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡的丙烯聚合生產(chǎn)過程最優(yōu)軟測量儀表及方法。
背景技術：
：聚丙烯是由丙烯聚合而制得的一種熱塑性樹脂，丙烯最重要的下游產(chǎn)品，世界丙烯的50%，我國丙烯的65%都是用來制聚丙烯，是五大通用塑料之一，與我們?nèi)粘Ｉ蠲芮邢嚓P。聚丙烯是世界上增長最快的通用熱塑性樹脂，總量僅僅次于聚乙烯和聚氯乙烯。為使我國聚丙烯產(chǎn)品具有市場競爭力，開發(fā)剛性、韌性、流動性平衡好的抗沖共聚產(chǎn)品、無規(guī)共聚產(chǎn)品、bopp禾ncpp薄膜料、纖維、無紡布料及開發(fā)聚丙烯在汽車和家電領域的應用都是今后重要的研究課題。熔融指數(shù)是聚丙烯產(chǎn)品確定產(chǎn)品牌號的重要質(zhì)量指標之一，它決定了產(chǎn)品的不同用途，對熔融指數(shù)的測量，對生產(chǎn)和科研，都有非常重要的作用和指導意義。然而，熔融指數(shù)的在線分析測量目前很難做到，缺乏熔融指數(shù)的在線分析儀是聚丙烯生產(chǎn)中產(chǎn)品質(zhì)量控制的一個主要困難。mi只能通過人工取樣、離線化驗分析獲得，而且一般每2-4小時智能分析一次，時間滯后大，難以滿足生產(chǎn)實時控制的要求。近年來神經(jīng)網(wǎng)絡發(fā)展迅速，在經(jīng)濟、軍事、工業(yè)生產(chǎn)和生物醫(yī)學等領域得到廣泛應用，并產(chǎn)生了深遠的影響。其中應用最為廣泛的是前饋神經(jīng)網(wǎng)絡，尤其是bp神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡具有很強的自適應、自組織、自學習的能力以及大規(guī)模并行運算的能力。但在實際應用中，神經(jīng)網(wǎng)絡也暴露了一些自身固有的缺陷權值的初始化是隨機的，易陷入局部極小；學習過程中隱含層的節(jié)點數(shù)目和其他參數(shù)的選擇只能根據(jù)經(jīng)驗和實驗來選擇；收斂時間過長、魯棒性差等。由美國密歇根大學Holland教授及其學生首次提出的遺傳算法，即GeneticAlgorithm,簡稱GA，是一種高效的并行全局搜索算法。該算法具有很好的魯棒性，適用于并行處理；具有良好的全局搜索性能，減少了陷入局部最優(yōu)解的風險。遺傳算法的這些優(yōu)點恰好彌補了傳統(tǒng)神經(jīng)網(wǎng)絡的缺點，因此可以采用遺傳算法來優(yōu)化神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡是最常用的神經(jīng)網(wǎng)絡算法，如何建立合理的神經(jīng)網(wǎng)絡模型是提高預測精度的核心內(nèi)容，因此出現(xiàn)了多種優(yōu)化方法或改進方法。對于丙烯聚合生產(chǎn)過程中熔融指數(shù)的軟測量，由于生產(chǎn)過程具有多樣性和相關性，建立其基于遺傳算法的BP神經(jīng)網(wǎng)絡最優(yōu)軟測量儀表及方法，能夠得到最優(yōu)的軟測量模型，提高軟測量精度。因此，具有非常重要的意義。
發(fā)明內(nèi)容為了克服已有的丙烯聚合生產(chǎn)過程的測量精度不高、易受人為因素的影響的不足，本發(fā)明提供一種在線測量、在線參數(shù)自動優(yōu)化、計算速度快、模型自動更新、抗干擾能力強、精度高的基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的丙烯聚合生產(chǎn)過程熔融指數(shù)最優(yōu)軟測量儀表及方法。本發(fā)明解決其技術問題所采用的技術方案是一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的丙烯聚合生產(chǎn)過程最優(yōu)軟測量儀表，包括丙烯聚合生產(chǎn)過程、用于測量易測變量的現(xiàn)場智能儀表、用于測量操作變量的控制站、存放數(shù)據(jù)的DCS數(shù)據(jù)庫以及熔融指數(shù)軟測量值顯示儀，所述現(xiàn)場智能儀表、控制站與丙烯聚合生產(chǎn)過程連接，所述現(xiàn)場智能儀表、控制站與DCS數(shù)據(jù)庫連接，所述軟測量儀表還包括基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型，所述DCS數(shù)據(jù)庫與所述基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型的輸入端連接，所述基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型的輸出端與熔融指數(shù)軟測量值顯示儀連接，所述基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型包括數(shù)據(jù)預處理模塊，用于將從DCS數(shù)據(jù)庫輸入的模型輸入變量進行預處理，對輸入變量中心化，即減去變量的平均值；再對輸入變量預白化處理即變量去相關，對輸入變量施加一個線性變換；通過獨立成分分析方法，從經(jīng)過中心化和預白化處理的線性混合數(shù)據(jù)中恢復出基本源信號；BP神經(jīng)網(wǎng)絡模型模i央，用于采用BP神經(jīng)網(wǎng)絡，設BP神經(jīng)網(wǎng)絡的輸出層第k個神經(jīng)元的實際輸出為yk，輸入為netk，與此層相鄰的隱含層中任一神經(jīng)元j的輸出為Xi，則有<formula>formulaseeoriginaldocumentpage9</formula>(1)<formula>formulaseeoriginaldocumentpage9</formula>(2)式中，Wkj是神經(jīng)元k與神經(jīng)元j之間的連接權，fO為神經(jīng)元的輸出函數(shù)，通常取為Sigmoid函數(shù)，表示為<formula>formulaseeoriginaldocumentpage9</formula>(3)式中，hk為神經(jīng)元k的閾值，0o為陡度參數(shù)，用以調(diào)節(jié)Sigmoid函數(shù)的陡度；令訓練樣本為k，對于任一個輸入模式Xp，若相應有輸出層中第k個神經(jīng)元的期望輸出Opk，則輸出層的輸出方差表示為式中，Opk代表期望輸出，ypk代表實際輸出；反向誤差傳播學習的目的是修改連接權W值，使E達到最小值；要求連接權Wkj，Wji應沿Ep的負梯度方向學習；所以Wkj的修正量為犯—式中，"為學習速率調(diào)整因子；遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡模塊，用于采用遺傳算法優(yōu)化方法對BP神經(jīng)網(wǎng)絡進行優(yōu)化，具體步驟如下①確定網(wǎng)絡權值的編碼方式，個體的位串長度，染色體采用二進制編碼，網(wǎng)絡每個鏈接權值都用一定長度的0/1串表示，在編碼時首先假定連接權在某一預定的范圍內(nèi)變化，連接權的實際值和字符串表示值關系表示為W("))=『，("力+[『腿("力_『mm('，川(6)式中，binrep(t)是二進制整數(shù)，為各連接權的變化范圍，將所有權值對應的二進制字符串串聯(lián)在一起，得到一條染色體，代表網(wǎng)絡的一種權值組合。②設定的種群規(guī)模n，隨機產(chǎn)生初始種群；③設定網(wǎng)絡的目標函數(shù)，將其轉換為適應度，對個網(wǎng)絡權值進行評價；通過網(wǎng)絡的誤差函數(shù)計算適應度函數(shù)，并認為誤差大的個體適應度小，個體i的適應度函9數(shù)力表示為/=l/(g+l)(7)式中，E,是網(wǎng)絡的誤差函數(shù)，表示為"=iy=1(8)式中，m是訓練集的樣本個數(shù)，ti3是神經(jīng)元數(shù)，《是單元j的理想輸出，c」是單元j的實際輸出；④選定遺傳操作，設置遺傳參數(shù)及自適應調(diào)整算法，交叉概率設為Pe，變異概率設為Pm，個體Z'被選擇的概率P表示為產(chǎn)i式中，"為群體大小，力為個體/的適應度，》為個體j的適應度；(D依據(jù)適應度在遺傳空間進行選擇操作；⑥依據(jù)選定的交叉、變異及有關算法、參數(shù)，進行相應的操作，得到新一代種群；⑦判斷是否滿足性能要求，若是，結束尋優(yōu)，得到一組優(yōu)化的權值；否則返回步驟⑤，繼續(xù)迭代尋優(yōu)。作為優(yōu)選的一種方案，所述基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型還包括模型更新模塊，用于模型的在線更新，定期將離線化驗數(shù)據(jù)輸入到訓練集中，更新神經(jīng)網(wǎng)絡模型。作為優(yōu)選的再一種方案在所述的數(shù)據(jù)預處理模塊中，采用主成分分析方法實現(xiàn)預白化處理。一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的丙烯聚合生產(chǎn)過程最優(yōu)軟測量方法，所述軟測量方法主要包括以下步驟1)、對丙烯聚合生產(chǎn)過程對象，根據(jù)工藝分析和操作分析，選擇操作變量和易測變量作為模型的輸入，操作變量和易測變量由DCS數(shù)據(jù)庫獲得；2)、對樣本數(shù)據(jù)進行預處理，對輸入變量中心化，即減去變量的平均值；再對輸入變量預白化處理即變量去相關，對輸入變量施加一個線性變換；通過獨立成分分析方法，從經(jīng)過中心化和預白化處理的線性混合數(shù)據(jù)中恢復出基本源信號；3)、基于模型輸入、輸出數(shù)據(jù)建立初始神經(jīng)網(wǎng)絡模型，采用BP神經(jīng)網(wǎng)絡，設BP神經(jīng)網(wǎng)絡的輸出層第k個神經(jīng)元的實際輸出為yk，輸入為netk，與此層相鄰的隱含層中任一神經(jīng)元j的輸出為Xi，則有<formula>formulaseeoriginaldocumentpage11</formula>(2)式中，Wk」是神經(jīng)元k與神經(jīng)元j之間的連接權，f(O為神經(jīng)元的輸出函數(shù)，通常取為Sigmoid函數(shù)，表示為<formula>formulaseeoriginaldocumentpage11</formula>式中，hk為神經(jīng)元k的閾值，9o為陡度參數(shù)，用以調(diào)節(jié)Sigmoid函數(shù)的陡度；令訓練樣本為k，對于任一個輸入模式Xp，若相應有輸出層中第k個神經(jīng)元的期望輸出Opk，則輸出層的輸出方差表示為>v)2(4)式中，Opk代表期望輸出，ypk代表實際輸出；反向誤差傳播學習的目的是修改連接權W值，使E達到最小值；要求連接權Wkj，Wji應沿Ep的負梯度方向學習；所以Wkj的修正量為服AA=一〃式中，P為學習速率調(diào)整因子；4)、采用遺傳算法優(yōu)化方法對BP神經(jīng)網(wǎng)絡進行優(yōu)化，具體步驟如下①確定網(wǎng)絡權值的編碼方式，個體的位串長度，染色體采用二進制編碼，網(wǎng)絡每個鏈接權值都用一定長度的0/1串表示，在編碼時首先假定連接權在某一預定的范圍內(nèi)變化，連接權的實際值和字符串表示值關系表示為-<formula>formulaseeoriginaldocumentpage11</formula>式中，binrep(t)是二進制整數(shù)，『皿(/，川為各連接權的變化范圍，將所有權值對應的二進制字符串串聯(lián)在一起，得到一條染色體，代表網(wǎng)絡的一種權值組合。②設定的種群規(guī)模n，隨機產(chǎn)生初始種群；③設定網(wǎng)絡的目標函數(shù)，將其轉換為適應度，對個網(wǎng)絡權值進行評價；通過網(wǎng)絡的誤差函數(shù)計算適應度函數(shù)，并認為誤差大的個體適應度小，個體i的適應度函數(shù)力表示為<formula>formulaseeoriginaldocumentpage12</formula>(7)式中，Ei是網(wǎng)絡的誤差函數(shù)，表示為<formula>formulaseeoriginaldocumentpage12</formula>(8)式中，m是訓練集的樣本個數(shù)，n3是神經(jīng)元數(shù)，《是單元j的理想輸出，Cj是單元j的實際輸出；④選定遺傳操作，設置遺傳參數(shù)及自適應調(diào)整算法，交叉概率設為Pe，變異概率設為Pm，個體Z'被選擇的概率P表示為<formula>formulaseeoriginaldocumentpage12</formula>(9)式中，"為群體大小，力為個體/的適應度，刀為個體j的適應度；⑤依據(jù)適應度在遺傳空間進行選擇操作；⑥依據(jù)選定的交叉、變異及有關算法、參數(shù)，進行相應的操作，得到新一代種群；⑦判斷是否滿足性能要求，若是，結束尋優(yōu)，得到一組優(yōu)化的權值；否則返回步驟⑤，繼續(xù)迭代尋優(yōu)。作為優(yōu)選的一種方案所述軟測量方法還包括以下步驟5)、定期將離線化驗數(shù)據(jù)輸入到訓練集中，更新神經(jīng)網(wǎng)絡模型。進一步，在所述的步驟2)中，采用主成分分析方法實現(xiàn)預白化處理。本發(fā)明的技術構思為對丙烯聚合生產(chǎn)過程的重要質(zhì)量指標熔融指數(shù)進行在線最優(yōu)軟測量，克服己有的聚丙稀熔融指數(shù)測量儀表測量精度不高、易受人為因素的影響的不足，引入遺傳算法優(yōu)化方法對BP神經(jīng)網(wǎng)絡權值進行自動優(yōu)化，不需要人為經(jīng)驗或多次測試來調(diào)整神經(jīng)網(wǎng)絡，便可以得到最優(yōu)的軟測量結果?？朔鹘y(tǒng)BP神經(jīng)網(wǎng)絡的以下缺點對初始權向量異常敏感，不同的初始權向量值可能一導致完全不同的結果；在具體計算過程中，有關參數(shù)的選取只能通過實驗和經(jīng)驗來確定，一旦取值不當，又會引起網(wǎng)絡的振蕩而不能收斂即使能收斂也會因為收斂速度慢而導致訓練時間過長，或是陷于局部極值而得不到最佳權值分布。本發(fā)明的有益效果主要表現(xiàn)在1、在線測量；2、在線參數(shù)自動優(yōu)化；3、計算速度快；4、模型自動更新；5、抗干擾能力強、6、精度高。圖1是基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的丙烯聚合生產(chǎn)過程最優(yōu)軟測量儀表及方法的基本結構示意圖2是基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型結構示意圖；圖3是丙烯聚合生產(chǎn)過程Hypol工藝生產(chǎn)流程圖。具體實施例方式下面結合附圖對本發(fā)明作進一步描述。本發(fā)明實施例用來解釋說明本發(fā)明，而不是對本發(fā)明進行限制，在本發(fā)明的精神和權利要求的保護范圍內(nèi)，對本發(fā)明作出的任何修改和改變，都落入本發(fā)明的保護范圍。實施例1參照圖l、圖2和圖3，一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的丙烯聚合生產(chǎn)過程最優(yōu)軟測量儀表，包括丙烯聚合生產(chǎn)過程1、用于測量易測變量的現(xiàn)場智能儀表2、用于測量操作變量的控制站3、存放數(shù)據(jù)的DCS數(shù)據(jù)庫4以及熔融指數(shù)軟測量值顯示儀6，所述現(xiàn)場智能儀表2、控制站3與丙烯聚合生產(chǎn)過程1連接，所述現(xiàn)場智能儀表2、控制站3與DCS數(shù)據(jù)庫4連接，所述軟測量儀表還包括遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型5，所述DCS數(shù)據(jù)庫4與所述基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型5的輸入端連接，所述基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型5的輸出端與熔融指數(shù)軟測量值顯示儀6連接，所述基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型包括數(shù)據(jù)預處理模塊，用于將從DCS數(shù)據(jù)庫輸入的模型輸入變量進行預處理，對輸入變量中心化，即減去變量的平均值；再對輸入變量預白化處理即變量去相關，對輸入變量施加一個線性變換；通過獨立成分分析方法，從經(jīng)過中心化和預白化處理的線性混合數(shù)據(jù)中恢復出基本源信號；BP神經(jīng)網(wǎng)絡模型模塊，用于釆用BP神經(jīng)網(wǎng)絡，設BP神經(jīng)網(wǎng)絡的輸出層第k個神經(jīng)元的實際輸出為yk，輸入為netk，與此層相鄰的隱含層中任一神經(jīng)元j的輸出為yj，則有'(1)力.(2)式中，Wkj是神經(jīng)元k與神經(jīng)元j之間的連接權，fO為神經(jīng)元的輸出函數(shù)，通常取為Sigmoid函數(shù)，表示為/("e"=l/(l+e-(netk+，"(3)式中，hk為神經(jīng)元k的閾值，9o為陡度參數(shù)，用以調(diào)節(jié)Sigmoid函數(shù)的陡度；令訓練樣本為k，對于任一個輸入模式Xp,若相應有輸出層中第k個神經(jīng)元的期望輸出Opk，則輸出層的輸出方差表示為g=|》_3V)2(4)式中，Opk代表期望輸出，ypk代表實際輸出；反向誤差傳播學習的目的是修改連接權W值，使E達到最小值；要求連接權Wkj，Wji應沿Ep的負梯度方向學習；所以Wkj的修正量為《w式中，-為學習速率調(diào)整因子；遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡模塊，用于采用遺傳算法優(yōu)化方法對BP神經(jīng)網(wǎng)絡進行優(yōu)化，具體步驟如下-①確定網(wǎng)絡權值的編碼方式，個體的位串長度，染色體采用二進制編碼，網(wǎng)絡每個鏈接權值都用一定長度的0/1串表示，在編碼時首先假定連接權在某一預定的范圍內(nèi)變化，連接權的實際值和字符串表示值關系表示為w("力=『匪("力+[『醒('，7)-『min(/,川(6)式中，binrep(t)是二進制整數(shù)，U'，川為各連接權的變化范圍，將所有權值對應的二進制字符串串聯(lián)在一起，得到一條染色體，代表網(wǎng)絡的一種權值組合。②設定的種群規(guī)模n，隨機產(chǎn)生初始種群；③設定網(wǎng)絡的目標函數(shù)，將其轉換為適應度，對個網(wǎng)絡權值進行評價；通過網(wǎng)絡的誤差函數(shù)計算適應度函數(shù)，并認為誤差大的個體適應度小，個體i的適應度函數(shù)/表示為<formula>formulaseeoriginaldocumentpage15</formula>(7)式中，Ei是網(wǎng)絡的誤差函數(shù)，表示為<formula>formulaseeoriginaldocumentpage15</formula>(8)式中，m是訓練集的樣本個數(shù)，！13是神經(jīng)元數(shù)，《是單元j的理想輸出，Cj是單元j的實際輸出；④選定遺傳操作，設置遺傳參數(shù)及自適應調(diào)整算法，交叉概率設為Pe，變異概率設為Pm，個體Z'被選擇的概率P表示為<formula>formulaseeoriginaldocumentpage15</formula>(9)式中，"為群體大小，力為個體/的適應度，刀為個體j的適應度；⑤依據(jù)適應度在遺傳空間進行選擇操作；⑥依據(jù)選定的交叉、變異及有關算法、參數(shù)，進行相應的操作，得到新一代種群；⑦判斷是否滿足性能要求，若是，結束尋優(yōu)，得到一組優(yōu)化的權值；否則返回步驟(D，繼續(xù)迭代尋優(yōu)。所述基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型還包括模型更新模塊，用于模型的在線更新，定期將離線化驗數(shù)據(jù)輸入到訓練集中，更新神經(jīng)網(wǎng)絡模型。在所述的數(shù)據(jù)預處理模塊中，采用主成分分析方法實現(xiàn)預白化處理。丙烯聚合生產(chǎn)過程流程圖如圖3所示，根據(jù)反應機理以及流程工藝分析，考慮到聚丙烯生產(chǎn)過程中對熔融指數(shù)產(chǎn)生影響的各種因素，取實際生產(chǎn)過程中常用的九個操作變量和易測變量作為建模變量，有三股丙稀進料流率，主催化劑流率，輔催化劑流率，釜內(nèi)溫度、壓強、液位，釜內(nèi)氫氣體積濃度。表l列出了作為基于遺傳算法優(yōu)化的最優(yōu)軟測量模型5輸入的9個建模變量，分別為釜內(nèi)溫度(r)、釜內(nèi)壓力(p)、釜內(nèi)液位(丄)、釜內(nèi)氫氣體積濃度(Zv)、3股丙烯進料流率(第一股丙稀進料流率/i，第二股丙稀進料流率_/2，第三股丙稀進料流率y3)、2股催化劑進料流率(主催化劑流率/4，輔催化劑流率")。反應釜中的聚合反應是反應物料反復混合后參與反應的，因此模型輸入變量涉及物料的過程變量采用前若干時刻的平均值。此例中數(shù)據(jù)采用前一小時的平均值。熔融指數(shù)離線化驗值作為基于遺傳算法優(yōu)化的最優(yōu)軟測量模型5的輸出變量。通過人工取樣、離線化驗分析獲得，每4小時分析采集一次?，F(xiàn)場智能儀表2及控制站3與丙烯聚合生產(chǎn)過程1相連，與DCS數(shù)據(jù)庫4相連；最優(yōu)軟測量模型5與DCS數(shù)據(jù)庫及軟測量值顯示儀6相連?，F(xiàn)場智能儀表2測量丙烯聚合生產(chǎn)對象的易測變量，將易測變量傳輸?shù)紻CS數(shù)據(jù)庫4;控制站3控制丙烯聚合生產(chǎn)對象的操作變量，將操作變量傳輸?shù)紻CS數(shù)據(jù)庫4。DCS數(shù)據(jù)庫4中記錄的變量數(shù)據(jù)作為基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型5的輸入，軟測量值顯示儀6用于顯示基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型5的輸出，即軟測量值。表1基于遺傳算法優(yōu)化的最優(yōu)軟測量模型所需建模變量<table>tableseeoriginaldocumentpage16</column></row><table>基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型5，包括以下4個部分1)數(shù)據(jù)預處理模塊7，首先對模型輸入進行中心化和預白化。對輸入變量中心化，就是減去變量的平均值，使變量為零均值的變量，從而簡化算法。對輸入變量預白化處理即變量去相關，對輸入變量施加一個線性變換，使得變換后的變量各個分量間互不相關，同時其協(xié)方差矩陣為單位陣。然后通過獨立成分分析方法，從經(jīng)過中心化和預白化處理的線性混合數(shù)據(jù)中恢復出基本源信號的方法。BP神經(jīng)網(wǎng)絡模型模塊8，具體實現(xiàn)如下典型的BP神經(jīng)網(wǎng)絡模型有一個輸入層、一個輸出層和一個隱藏層。理論上，對于隱藏層的層數(shù)沒有限制，但常用的是一層或兩層。理論上可以證明，一個三層的BP網(wǎng)絡可以任意逼近非線性系統(tǒng)。BP算法通過誤差函數(shù)最小化來完成輸入到輸出的一種高度非線性映射，映射中保持拓撲不變性。這種網(wǎng)絡實質(zhì)上是一種靜態(tài)網(wǎng)絡，其輸出只是現(xiàn)行輸入的函數(shù)，而與過去和將來的輸入或輸出無關。由BP神經(jīng)網(wǎng)絡結構可知，輸入層中任一神經(jīng)元的輸出為輸入模式分量的加權和，這種加權和的概念同樣適合其余各層。設BP神經(jīng)網(wǎng)絡的輸出層第k個神經(jīng)元的實際輸出為yk，輸入為netk，與此層相鄰的隱含層中任一神經(jīng)元j的輸出為y」，則有<formula>formulaseeoriginaldocumentpage17</formula>(2)式中，Wkj是神經(jīng)元k與神經(jīng)元j之間的連接權，f(O為神經(jīng)元的輸出函數(shù)，通常取為Sigmoid函數(shù)，表示為/X"《^l/(l+e-(netk+WW)(3)式中，hk為神經(jīng)元k的閾值，eQ為陡度參數(shù)，用以調(diào)節(jié)Sigmoid函數(shù)的陡度。令訓練樣本為k。對于任一個輸入模式Xp，若相應有輸出層中第k個神經(jīng)元的期望輸出Opk，則輸出層的輸出方差可以表示為式中，Opk代表期望輸出，ypk代表實際輸出。反向誤差傳播學習的目的是修改連接權w值，使E達到最小值。這就要求連接權Wkj，Wji應沿Ep的負梯度方向學習。所以Wkj的修正量為巡式中，》為學習速率調(diào)整因子。遺傳算法優(yōu)化模塊9，采用遺傳算法優(yōu)化方法對BP神經(jīng)網(wǎng)絡進行優(yōu)化，在基本BP神經(jīng)網(wǎng)絡算法的基礎上，通過遺傳算法優(yōu)化的全局尋優(yōu)能力優(yōu)化祌經(jīng)網(wǎng)絡的權值參數(shù)，并以此進行神經(jīng)網(wǎng)絡的學習，從而建立丙烯聚合熔融指數(shù)的遺傳算法優(yōu)化優(yōu)化的BP神經(jīng)網(wǎng)絡最優(yōu)軟測量模型。用遺傳算法優(yōu)化網(wǎng)絡權值的具體步驟如下①確定網(wǎng)絡權值的編碼方式，個體的位串長度。一組權值與遺傳空間的個體位串的關系，是由編碼映射確定的。染色體采用二進制編碼，網(wǎng)絡每個鏈接權值都用一定長度的0/1串表示。在編碼時首先假定連接權在某一預定的范圍內(nèi)變化，連接權的實際值和字符串表示值關系可以表示為-K(,，力=『加n(,',/)+[『腿(!',J')—『腿(!，川(6)式中，binrep(t)是二進制整數(shù)，為各連接權的變化范圍。將所有權值對應的二進制字符串串聯(lián)在一起，得到一條染色體，代表網(wǎng)絡的一種權值組合。②設定的種群規(guī)模n，隨機產(chǎn)生初始種群。③設定網(wǎng)絡的目標函數(shù)，將其轉換為適應度，對個網(wǎng)絡權值進行評價。通過網(wǎng)絡的誤差函數(shù)計算適應度函數(shù)，并認為誤差大的個體適應度小。個體i的適應度函數(shù)力可以表示為/=1/(五,+1)(7)式中，Ej是網(wǎng)絡的誤差函數(shù)，表示為Hi;i;(c，—。y2"'戶1(8)式中，m是訓練集的樣本個數(shù)，n3是神經(jīng)元數(shù)，《是單元j的理想輸出，Cj是單元j的實際輸出。④選定遺傳操作，設置遺傳參數(shù)及自適應調(diào)整算法等。交叉概率設為Pe，變異概率設為Pm。個體Z'被選擇的概率P表示為-戶l式中，w為群體大小，力為個體/的適應度，》為個體j的適應度。⑤依據(jù)適應度在遺傳空間進行選擇操作。⑥依據(jù)選定的交叉、變異及有關算法、參數(shù)，進行相應的操作，得到新一代種群。⑦判斷是否滿足性能要求，若是，結束尋優(yōu)，得到一組優(yōu)化的權值；否則返回步驟，繼續(xù)迭代尋優(yōu)。模型更新模塊IO，用于模型的在線更新，定期將離線化驗數(shù)據(jù)輸入到訓練集中，更新神經(jīng)網(wǎng)絡模型。實施例2參照圖l、圖2和圖3，一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的丙烯聚合生產(chǎn)過程最優(yōu)軟測量方法，所述軟測量方法主要包括以下步驟1)、對丙烯聚合生產(chǎn)過程對象，根據(jù)工藝分析和操作分析，選擇操作變量和易測變量作為模型的輸入，操作變量和易測變量由DCS數(shù)據(jù)庫獲得；2)、對樣本數(shù)據(jù)進行預處理，對輸入變量中心化，即減去變量的平均值；再對輸入變量預白化處理即變量去相關，對輸入變量施加一個線性變換；通過獨立成分分析方法，從經(jīng)過中心化和預白化處理的線性混合數(shù)據(jù)中恢復出基本源信號；3)、基于模型輸入、輸出數(shù)據(jù)建立初始神經(jīng)網(wǎng)絡模型，采用BP神經(jīng)網(wǎng)絡，設BP神經(jīng)網(wǎng)絡的輸出層第k個神經(jīng)元的實際輸出為yk，輸入為netk，與此層相鄰的隱含層中任一神經(jīng)元j的輸出為y」，則有'(1)A(2)式中，wk」是神經(jīng)元k與神經(jīng)元j之間的連接權，f(O為神經(jīng)元的輸出函數(shù)，通常取為Sigmoid函數(shù)，表示為/("《)二l/(l+e麵頓)(3)式中，hk為神經(jīng)元k的閾值，9o為陡度參數(shù)，用以調(diào)節(jié)Sigmoid函數(shù)的陡度；令訓練樣本為k，對于任一個輸入模式Xp，若相應有輸出層中第k個神經(jīng)元的期望輸出Opk，則輸出層的輸出方差表示為-^4》-3V)2(4)式中，Opk代表期望輸出，ypk代表實際輸出；反向誤差傳播學習的目的是修改連接權W值，使E達到最小值；要求連接權Wkj，Wj,應沿Ep的負梯度方向學習；所以Wk」的修正量為服式中，y為學習速率調(diào)整因子；4)、采用遺傳算法優(yōu)化方法對BP神經(jīng)網(wǎng)絡進行優(yōu)化，具體步驟如下①確定網(wǎng)絡權值的編碼方式，個體的位串長度，染色體采用二進制編碼，網(wǎng)絡每個鏈接權值都用一定長度的0/1串表示，在編碼時首先假定連接權在某一預定的范圍內(nèi)變化，連接權的實際值和字符串表示值關系表示為『,0',力=『隨('，力+Kax('，力_『■("川(6)式中，binrep(t)是二進制整數(shù)，U"川為各連接權的變化范圍，將所有權值對應的二進制字符串串聯(lián)在一起，得到一條染色體，代表網(wǎng)絡的一種權值組合。②設定的種群規(guī)模n，隨機產(chǎn)生初始種群；③設定網(wǎng)絡的目標函數(shù)，將其轉換為適應度，對個網(wǎng)絡權值進行評價；通過網(wǎng)絡的誤差函數(shù)計算適應度函數(shù)，并認為誤差大的個體適應度小，個體i的適應度函數(shù)力表示為/+1)(7)式中，E,是網(wǎng)絡的誤差函數(shù)，表示為五,=這!>)—。)2"=iv=i(8)式中，m是訓練集的樣本個數(shù)，n3是神經(jīng)元數(shù)，《是單元j的理想輸出，Cj是單元j的實際輸出；④選定遺傳操作，設置遺傳參數(shù)及自適應調(diào)整算法，交叉概率設為Pe，變異概率設為Pm，個體Z'被選擇的概率P表示為戶=乂/尤力(9)乂=1式中，"為群體大小，力為個體/的適應度，力為個體j的適應度；⑤依據(jù)適應度在遺傳空間進行選擇操作；⑥依據(jù)選定的交叉、變異及有關算法、參數(shù)，進行相應的操作，得到新一代種群；⑦判斷是否滿足性能要求，若是，結束尋優(yōu)，得到一組優(yōu)化的權值；否則返回步驟⑤，繼續(xù)迭代尋優(yōu)。所述軟測量方法還包括以下步驟5)、定期將離線化驗數(shù)據(jù)輸入到訓練集中，更新神經(jīng)網(wǎng)絡模型。在所述的步驟2)中，采用主成分分析方法實現(xiàn)預白化處理。本實施例的方法具體實施步驟如下步驟l:對丙烯聚合生產(chǎn)過程對象1，根據(jù)工藝分析和操作分析，選擇操作變量和易測變量作為模型的輸入。操作變量和易測變量由DCS數(shù)據(jù)庫4獲得。步驟2:對樣本數(shù)據(jù)進行預處理，由數(shù)據(jù)預處理模塊7完成。步驟3:對經(jīng)過預處理的數(shù)據(jù)進行獨立成分分析，由ICA獨立成分分析模塊8完成。步驟4:基于模型輸入、輸出數(shù)據(jù)建立初始神經(jīng)網(wǎng)絡模型9。輸入數(shù)據(jù)如步驟1所述獲得，輸出數(shù)據(jù)由離線化驗獲得。步驟5:由遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡方法10優(yōu)化初始神經(jīng)網(wǎng)絡8的權值參數(shù)。步驟6:模型更新模塊11定期將離線化驗數(shù)據(jù)輸入到訓練集中，更新神經(jīng)網(wǎng)絡模型，基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型5建立完成。步驟7:熔融指數(shù)軟測量值顯示儀6顯示基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型5的輸出，完成對丙烯聚合生產(chǎn)過程熔融指數(shù)的最優(yōu)軟測量的顯示。權利要求1、一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的丙烯聚合生產(chǎn)過程最優(yōu)軟測量儀表，包括丙烯聚合生產(chǎn)過程、用于測量易測變量的現(xiàn)場智能儀表、用于測量操作變量的控制站、存放數(shù)據(jù)的DCS數(shù)據(jù)庫以及熔融指數(shù)軟測量值顯示儀，所述現(xiàn)場智能儀表、控制站與丙烯聚合生產(chǎn)過程連接，所述現(xiàn)場智能儀表、控制站與DCS數(shù)據(jù)庫連接，其特征在于所述軟測量儀表還包括基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型，所述DCS數(shù)據(jù)庫與所述基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型的輸入端連接，所述基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型的輸出端與熔融指數(shù)軟測量值顯示儀連接，所述基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型包括數(shù)據(jù)預處理模塊，用于將從DCS數(shù)據(jù)庫輸入的模型輸入變量進行預處理，對輸入變量中心化，即減去變量的平均值；再對輸入變量預白化處理即變量去相關，對輸入變量施加一個線性變換；通過獨立成分分析方法，從經(jīng)過中心化和預白化處理的線性混合數(shù)據(jù)中恢復出基本源信號；BP神經(jīng)網(wǎng)絡模型模塊，用于采用BP神經(jīng)網(wǎng)絡，設BP神經(jīng)網(wǎng)絡的輸出層第k個神經(jīng)元的實際輸出為yk，輸入為netk，與此層相鄰的隱含層中任一神經(jīng)元j的輸出為yj，則有<mathsid="math0001"num="0001"><math><![CDATA[<mrow><msub><mi>net</mi><mi>k</mi></msub><mo>=</mo><munder><mi>Σ</mi><mi>i</mi></munder><msub><mi>w</mi><mi>kj</mi></msub><mo>·</mo><msub><mi>y</mi><mi>j</mi></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>]]></math></maths>yk＝f(netk)(2)式中，wkj是神經(jīng)元k與神經(jīng)元j之間的連接權，f(·)為神經(jīng)元的輸出函數(shù)，通常取為Sigmoid函數(shù)，表示為<mathsid="math0002"num="0002"><math><![CDATA[<mrow><mi>f</mi><mrow><mo>(</mo><msub><mi>net</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>=</mo><mn>1</mn><mo>/</mo><mrow><mo>(</mo><mn>1</mn><mo>+</mo><msup><mi>e</mi><mrow><mo>-</mo><mrow><mo>(</mo><msub><mi>net</mi><mi>k</mi></msub><mo>+</mo><msub><mi>h</mi><mi>k</mi></msub><mo>)</mo></mrow><mo>/</mo><msub><mi>θ</mi><mn>0</mn></msub></mrow></msup><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow>]]></math></maths>式中，hk為神經(jīng)元k的閾值，θ0為陡度參數(shù)，用以調(diào)節(jié)Sigmoid函數(shù)的陡度；令訓練樣本為k，對于任一個輸入模式Xp，若相應有輸出層中第k個神經(jīng)元的期望輸出Opk，則輸出層的輸出方差表示為<mathsid="math0003"num="0003"><math><![CDATA[<mrow><msub><mi>E</mi><mi>p</mi></msub><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><munder><mi>Σ</mi><mi>p</mi></munder><msup><mrow><mo>(</mo><msub><mi>O</mi><mi>pk</mi></msub><mo>-</mo><msub><mi>y</mi><mi>pk</mi></msub><mo>)</mo></mrow><mn>2</mn></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow>]]></math></maths>式中，Opk代表期望輸出，ypk代表實際輸出；反向誤差傳播學習的目的是修改連接權w值，使E達到最小值；要求連接權wkj，wji應沿Ep的負梯度方向學習；所以wkj的修正量為<mathsid="math0004"num="0004"><math><![CDATA[<mrow><msub><mi>Δ</mi><mi>p</mi></msub><msub><mi>w</mi><mi>kj</mi></msub><mo>=</mo><mo>-</mo><mi>β</mi><mfrac><mrow><mo>∂</mo><msub><mi>E</mi><mi>p</mi></msub></mrow><msub><mrow><mo>∂</mo><mi>w</mi></mrow><mi>kj</mi></msub></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>5</mn><mo>)</mo></mrow></mrow>]]></math></maths>式中，β為學習速率調(diào)整因子；遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡模塊，用于采用遺傳算法優(yōu)化方法對BP神經(jīng)網(wǎng)絡進行優(yōu)化，具體步驟如下①確定網(wǎng)絡權值的編碼方式，個體的位串長度，染色體采用二進制編碼，網(wǎng)絡每個鏈接權值都用一定長度的0/1串表示，在編碼時首先假定連接權在某一預定的范圍內(nèi)變化，連接權的實際值和字符串表示值關系表示為<mathsid="math0005"num="0005"><math><![CDATA[<mrow><msub><mi>W</mi><mi>t</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>=</mo><msub><mi>W</mi><mi>min</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>+</mo><mfrac><mrow><mi>binrep</mi><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mrow><mrow><msup><mn>2</mn><mi>t</mi></msup><mo>-</mo><mn>1</mn></mrow></mfrac><mo>[</mo><msub><mi>W</mi><mi>max</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>-</mo><msub><mi>W</mi><mi>min</mi></msub><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>6</mn><mo>)</mo></mrow></mrow>]]></math></maths>式中，binrep(t)是二進制整數(shù)，[Wmax(i，j)，Wmin(i，j)]為各連接權的變化范圍，將所有權值對應的二進制字符串串聯(lián)在一起，得到一條染色體，代表網(wǎng)絡的一種權值組合。②設定的種群規(guī)模n，隨機產(chǎn)生初始種群；③設定網(wǎng)絡的目標函數(shù)，將其轉換為適應度，對個網(wǎng)絡權值進行評價；通過網(wǎng)絡的誤差函數(shù)計算適應度函數(shù)，并認為誤差大的個體適應度小，個體i的適應度函數(shù)fi表示為fi＝1/(Ei+1)(7)式中，Ei是網(wǎng)絡的誤差函數(shù)，表示為<mathsid="math0006"num="0006"><math><![CDATA[<mrow><msub><mi>E</mi><mi>i</mi></msub><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><munderover><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>n</mi><mn>3</mn></msub></munderover><msup><mrow><mo>(</mo><msubsup><mi>c</mi><mi>j</mi><mi>k</mi></msubsup><mo>-</mo><msub><mi>c</mi><mi>j</mi></msub><mo>)</mo></mrow><mn>2</mn></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>8</mn><mo>)</mo></mrow></mrow>]]></math></maths>式中，m是訓練集的樣本個數(shù)，n3是神經(jīng)元數(shù)，cjk是單元j的理想輸出cj是單元j的實際輸出；④選定遺傳操作，設置遺傳參數(shù)及自適應調(diào)整算法，交叉概率設為Pc，變異概率設為Pm，個體i被選擇的概率P表示為<mathsid="math0007"num="0007"><math><![CDATA[<mrow><mi>P</mi><mo>=</mo><msub><mi>f</mi><mi>i</mi></msub><mo>/</mo><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><msub><mi>f</mi><mi>j</mi></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>9</mn><mo>)</mo></mrow></mrow>]]></math></maths>式中，n為群體大小，fi為個體i的適應度，fj為個體j的適應度；⑤依據(jù)適應度在遺傳空間進行選擇操作；⑥依據(jù)選定的交叉、變異及有關算法、參數(shù)，進行相應的操作，得到新一代種群；⑦判斷是否滿足性能要求，若是，結束尋優(yōu)，得到一組優(yōu)化的權值；否則返回步驟⑤，繼續(xù)迭代尋優(yōu)。2、如權利要求1所述的基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的丙烯聚合生產(chǎn)過程最優(yōu)軟測量儀表，其特征在于所述基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型還包括模型更新模塊，用于模型的在線更新，定期將離線化驗數(shù)據(jù)輸入到訓練集中，更新神經(jīng)網(wǎng)絡模型。3、如權利要求1或2所述的基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的丙烯聚合生產(chǎn)過程最優(yōu)軟測量儀表，其特征在于在所述的數(shù)據(jù)預處理模塊中，采用主成分分析方法實現(xiàn)預白化處理。4、一種用如權利要求1所述的基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的丙烯聚合生產(chǎn)過程最優(yōu)軟測量儀表實現(xiàn)的軟測量方法，其特征在于所述軟測量方法主要包括以下步驟1)、對丙烯聚合生產(chǎn)過程對象，根據(jù)工藝分析和操作分析，選擇操作變量和易測變量作為模型的輸入，操作變量和易測變量由DCS數(shù)據(jù)庫獲得；2)、對樣本數(shù)據(jù)進行預處理，對輸入變量中心化，即減去變量的平均值；再對輸入變量預白化處理即變量去相關，對輸入變量施加一個線性變換；通過獨立成分分析方法，從經(jīng)過中心化和預白化處理的線性混合數(shù)據(jù)中恢復出基本源信號；3)、基于模型輸入、輸出數(shù)據(jù)建立初始神經(jīng)網(wǎng)絡模型，采用BP神經(jīng)網(wǎng)絡，設BP神經(jīng)網(wǎng)絡的輸出層第k個神經(jīng)元的實際輸出為yk，輸入為netk，與此層相鄰的隱含層中任一神經(jīng)元j的輸出為Xi，則有;(1)凡=/—"(2)式中，Wkj是神經(jīng)元k與神經(jīng)元j之間的連接權，f(O為神經(jīng)元的輸出函數(shù)，通常取為Sigmoid函數(shù)，表示為<formula>formulaseeoriginaldocumentpage5</formula>(3)式中，hk為神經(jīng)元k的閾值，eo為陡度參數(shù)，用以調(diào)節(jié)Sigmoid函數(shù)的陡度；令訓練樣本為k，對于任一個輸入模式Xp，若相應有輸出層中第k個神經(jīng)元的期望輸出Opk，則輸出層的輸出方差表示為(4)式中，Opk代表期望輸出，ypk代表實際輸出；反向誤差傳播學習的目的是修改連接權W值，使E達到最小值；要求連接權Wkj，Wji應沿Ep的負梯度方向學習；所以Wkj的修正量為<formula>formulaseeoriginaldocumentpage5</formula>(5)式中，y5為學習速率調(diào)整因子；4)、采用遺傳算法優(yōu)化方法對BP神經(jīng)網(wǎng)絡進行優(yōu)化，具體步驟如下①確定網(wǎng)絡權值的編碼方式，個體的位串長度，染色體采用二進制編碼，網(wǎng)絡每個鏈接權值都用一定長度的0/1串表示，在編碼時首先假定連接權在某一預定的范圍內(nèi)變化，連接權的實際值和字符串表示值關系表示為-<formula>formulaseeoriginaldocumentpage5</formula>(6)式中，binrep(t)是二進制整數(shù)，U"')]為各連接權的變化范圍，將所有權值對應的二進制字符串串聯(lián)在一起，得到一條染色體，代表網(wǎng)絡的一種權值組合。②設定的種群規(guī)模n，隨機產(chǎn)生初始種群；③設定網(wǎng)絡的目標函數(shù)，將其轉換為適應度，對個網(wǎng)絡權值進行評價；通過網(wǎng)絡的誤差函數(shù)計算適應度函數(shù)，并認為誤差大的個體適應度小，個體i的適應度函數(shù)y;表示為<formula>formulaseeoriginaldocumentpage5</formula>(五,+1)式中，Ei是網(wǎng)絡的誤差函數(shù)，表示為(7)<formula>formulaseeoriginaldocumentpage5</formula>(8)式中，m是訓練集的樣本個數(shù)，ri3是神經(jīng)元數(shù)，"是單元j的理想輸出，Cj是單元j的實際輸出；④選定遺傳操作，設置遺傳參數(shù)及自適應調(diào)整算法，交叉概率設為Pe，變異概率設為Pm，個體Z'被選擇的概率P表示為5<formula>formulaseeoriginaldocumentpage6</formula>(9)式中，w為群體大小，乂為個體i的適應度，》為個體j的適應度；⑤依據(jù)適應度在遺傳空間進行選擇操作；⑥依據(jù)選定的交叉、變異及有關算法、參數(shù)，進行相應的操作，得到新一代種群;⑦判斷是否滿足性能要求，若是，結束尋優(yōu)，得到一組優(yōu)化的權值；否則返回步驟，繼續(xù)迭代尋優(yōu)。5、如權利要求4所述的軟測量方法，其特征在于所述軟測量方法還包括以下步驟6)、定期將離線化驗數(shù)據(jù)輸入到訓練集中，更新神經(jīng)網(wǎng)絡模型。6、如權利要求4或5所述的軟測量方法，其特征在于在所述的步驟2)中，采用主成分分析方法實現(xiàn)預白化處理。全文摘要一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的丙烯聚合生產(chǎn)過程最優(yōu)軟測量儀表，包括丙烯聚合生產(chǎn)過程、現(xiàn)場智能儀表、控制站、存放數(shù)據(jù)的DCS數(shù)據(jù)庫、基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型以及熔融指數(shù)軟測量值顯示儀，現(xiàn)場智能儀表及控制站與丙烯聚合生產(chǎn)過程相連，與DCS數(shù)據(jù)庫相連；最優(yōu)軟測量模型與DCS數(shù)據(jù)庫及軟測量值顯示儀相連。所述的基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的最優(yōu)軟測量模型包括數(shù)據(jù)預處理模塊、ICA獨立成分分析模塊、BP神經(jīng)網(wǎng)絡建模模塊以及遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡模塊。以及提供了一種用軟測量儀表實現(xiàn)的軟測量方法。本發(fā)明實現(xiàn)在線測量、在線參數(shù)自動優(yōu)化、計算速度快、模型自動更新、抗干擾能力強、精度高。文檔編號G06N3/12GK101315557SQ20081006360公開日2008年12月3日申請日期2008年6月25日優(yōu)先權日2008年6月25日發(fā)明者劉興高,巍樓申請人:浙江大學