CN105550457A - 动态演化模型校正方法及系统 - Google Patents

动态演化模型校正方法及系统 Download PDF

Info

Publication number
CN105550457A
CN105550457A CN201510981003.2A CN201510981003A CN105550457A CN 105550457 A CN105550457 A CN 105550457A CN 201510981003 A CN201510981003 A CN 201510981003A CN 105550457 A CN105550457 A CN 105550457A
Authority
CN
China
Prior art keywords
sample
bpnn
layer
model
near infrared
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510981003.2A
Other languages
English (en)
Other versions
CN105550457B (zh
Inventor
梅青平
李太福
姚立忠
杨永龙
王先国
曹旭鹏
杨君玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Yinyi Wearing Technology Co ltd
Original Assignee
Chongqing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Science and Technology filed Critical Chongqing University of Science and Technology
Priority to CN201510981003.2A priority Critical patent/CN105550457B/zh
Publication of CN105550457A publication Critical patent/CN105550457A/zh
Application granted granted Critical
Publication of CN105550457B publication Critical patent/CN105550457B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Biochemistry (AREA)
  • Computer Hardware Design (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正方法及系统，其中的方法包括：利用K/S算法从标准样品中选择有代表性的建模样品；采用BPNN法对所述建模样品建立近红外光谱数据与浓度间的非线性关系，形成BPNN校正模型；定期对待测样品进行化验，获取所述待测样品的样品数据；利用所述BPNN校正模型对所述待测样品进行预测，获取所述待测样品的预测值；获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述BPNN校正模型的阈值和权值。利用本发明能够保证近红外光谱校正模型具有自适应性，降低重建模型成本，从而实现在线分析。

Description

动态演化模型校正方法及系统
技术领域
本发明涉及在线近红外光谱分析技术领域，更为具体地，涉及一种基于卡尔曼滤波BP神经网络(KF-BPNN)近红外光谱动态演化模型校正方法及系统。
背景技术
建立准确性高、自适应性强的校正模型是近红外光谱定量分析方法成功应用的关键。现代近红外光谱以其分析速度快、重现性好、成本低、不消耗样品、易于实现在线分析等鲜明的特点正得到越来越多的应用。在近红外光谱分析实际应用中，样品近红外光谱和待测量存在复杂的间接关系。常通过求解标准曲线，建立测量数据与分析体系中某一待测组分含量之间的对应关系。BPNN具有出色的非线性关系表达能力，在处理近红外光谱建模问题上显示出独特的优越性，被广泛用于非线性模型校正过程。
但是上诉方法通常假设仪器的环境噪声和部件状态是稳定的，是一种静态建模方法，其效果仅限于短期相对稳定的模型使用过程。然而光谱获取过程受被测对象变化、仪器老化、环境扰动等影响具有时变性。当仪器测量过程慢慢发生演变时，基于早期数据的校正模型预测效果将无法得到保证。传统方法通过利用补充样品数据库定期维护模型，从而保证其适应性，其特点是工作量大、成本高和不易实现在线分析等。且更新的校正模型中包含大量光谱仪早期状态信息，不能精确代表仪器最新测量状态。
为解决上述问题，本发明需要提供一种新的模型校正方法。
发明内容
鉴于上述问题，本发明的目的是提供一种基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正方法及系统，以保证近红外光谱校正模型具有自适应性，降低重建模型成本，从而实现在线分析。
本发明提供一种基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正方法，包括：
利用K/S算法从标准样品中选择有代表性的建模样品；
采用BPNN法对所述建模样品建立近红外光谱数据与浓度间的非线性关系，形成BPNN校正模型；
定期对待测样品进行化验，获取所述待测样品的样品数据；
同时，利用所述BPNN校正模型对所述待测样品进行预测，获取所述待测样品的预测值；
获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述BPNN校正模型的阈值和权值。
本发明还提供一种基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正系统，包括：
建模样品选取单元，用于利用K/S算法从标准样品中选择有代表性的建模样品；
BPNN校正模型建立单元，用于采用BPNN法对所述建模样品建立近红外光谱数据与浓度间的非线性关系，形成BPNN校正模型；
样品数据获取单元，用于定期对待测样品进行化验，获取所述待测样品的样品数据；
预测值获取单元，利用所述BPNN校正模型对所述待测样品进行预测，获取所述待测样品的预测值；
BPNN校正模型的阈值和权值修正单元，用于对获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述BPNN校正模型的阈值和权值。
从上面的技术方案可知，本发明提供的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正方法及系统，利用卡尔曼滤波BP神经网络以保证近红外光谱校正模型具有自适应性，降低重建模型成本，从而达到实现在线分析的目的。
为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明及权利要求书的内容，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
图1为根据本发明实施例的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正方法流程示意图；
图2为根据本发明实施例的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正系统结构框图。
在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。
以下将结合附图对本发明的具体实施例进行详细描述。
为了说明本发明提供的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正方法，图1示出了根据本发明实施例的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正方法流程。
如图1所示，本发明提供的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正方法包括：
S110：利用K/S(Kennard-Stone)算法从标准样品中选择有代表性的建模样品；
S120：采用BPNN法对所述建模样品建立近红外光谱数据与浓度间的非线性，形成BPNN校正模型；
S130：定期对待测样品进行化验，获取所述待测样品的样品数据；同时，利用所述BPNN校正模型对所述待测样品进行预测，获取所述待测样品的预测值；
S140：获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述BPNN校正模型的阈值和权值。
在上述步骤S120中，(1)设An×m为n个建模样品在m个波长上的光谱矩阵，Cn×l为n个建模样品l种成分含量构成的浓度矩阵。
Anxm＝[a1,a2,…,an]t(n＝1,2,…,N)为输入矢量(光谱数据)，或称训练样本。
W M I ( n ) = w 11 ( n ) w 12 ( n ) ... w 12 ( n ) w 21 ( n ) w 22 ( n ) ... w 2 I ( n ) . . . . . ... . . . . w M 1 ( n ) w M 2 ( n ) ... w M I ( n )
其中，WMI(n)为第n次迭代时输入层与隐层I之间的权值矢量。
WJP(n)为第n次迭代时隐层J与输出层之间的权值矢量。
Yk(n)＝[yk1(n),yk2(n),…,ykP(n)](k＝1,2,…,N)为第n次迭代时网络的实际输出；Cn×l＝[c1,c2,…,cn]t(n＝1,2,…,N)为期望浓度。
(2)初始化，赋给WMI(0),WJP(0)各一个较小的随机非零值。
(3)随机输入样本an，n＝0。
(4)对输入样本an，前向计算BP网络每层神经元的输入信号和输出信号。
(5)由期望浓度(神经网络输出)cn和上一步求得的实际输出an′，计算误差E(n)，判断其是否满足要求；若满足要求转至步骤(8)；若不满足要求转至步骤(6)。
(6)判断n+1是否大于最大迭代次数，若最大迭代次数转至步骤(8)，若不大于最大迭代次数，对输入样本an，反向计算每层神经元的局部梯度δ。
(7)按下式计算权值修正量ΔW，并修正权值；n＝n+1，转至步骤(4)
Δ W i j 5 = η . δ i j . a j ′ 4 W i j 5 ( n + 1 ) = W i j 5 ( n ) + ΔW i j ( n )
其中，η为学习速率，n为迭代次数。
(8)判断是否学完所有的训练样本，若是则结束，若否则转至步骤(3)。
其中，，设有一N层前向网络，每层神经元数为Sk(k＝1,2,...,N)，记输入层为第一层，输出层为第N层；第k层神经元的连接权值网络中的所有权值组成状态向量：
W = [ W 11 1 ... W S 1 S 2 1 W 11 2 ... W S 2 S 3 2 ... W 11 N - 1 W S N - 1 S N N - 1 ] T
其维数为：
N W = Σ i = 1 N - 1 S i S i + 1
系统的状态方程和观测方程表示为
W k = W k - 1 C e k = C r k + V k = h ( W k , a k ) + V k
其中，Vk为观测噪声，其统计特性为：
E ( V k ) = 0 , E ( V k V k T ) = R k
令 ∂ h ∂ W | W k = W ^ k - = H k , h ( W ^ k - , a k ) - ∂ h ∂ W | W k = W ^ k - W ^ k - = D k
则观测方程为：
Cek＝HkWk+Dk+Vk
其中，Cek为标样浓度，ak为第k个样品光谱矢量，Crk为预测浓度。
在本发明中，需要说明的是，在建立BPNN校正模型后，待测样品就可以使用BPNN校正模型进行预测，当时此模型使用一段时间后，可以再次对BPNN校正模型进行校正，则校正的具体方法就是上述步骤S130，校正后的模型在预测时更为精确。
在本发明中，由卡尔曼滤波基本公式得BPNN校正模型阈值、权值学习的卡尔曼滤波算法如下：
时间更新(预测)
Step1:向前推算权值变量，其中公式为：
Step2:向前推算误差协方差，其中公式为：
测量更新(修正)
Step3:计算卡尔曼增益，其中公式为：
Step4:由期望输出Cek更新估计，其中公式为：
Step5:更新误差协方差，其中公式为：
Step6:k＝k+1转Step2；
其中，为初始估计权值变量；Pk-1为初始估计误差协方差。
与上述方法相对应，本发明还提供一种基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正系统，图2示出了根据本发明实施例的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正系统逻辑结构。
如图2所示，本发明提供的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正系统200，包括：建模样品选取单元210、BPNN校正模型建立单元220、样品数据获取单元230、预测值获取单元240和BPNN校正模型的阈值和权值修正单元250。
具体地，建模样品选取单元210，用于利用K/S(Kennard-Stone)算法从标准样品中选择有代表性的建模样品；
BPNN校正模型建立单元220，用于采用BPNN法对所述建模样品建立近红外光谱数据与浓度间的非线性关系，形成BPNN校正模型；
样品数据获取单元230，用于定期对待测样品进行化验，获取所述待测样品的样品数据；
预测值获取单元240，用于利用所述BPNN校正模型对所述待测样品进行预测，获取所述待测样品的预测值；
BPNN校正模型的阈值和权值修正单元250，用于对获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述BPNN校正模型的阈值和权值。
其中，BPNN校正模型建立单元220在采用BPNN法对所述建模样品建立近红外光谱数据与浓度间的非线性关系，形成BPNN校正模型的过程中，
(1)设An×m为n个建模样品在m个波长上的光谱矩阵，Cn×l为n个建模样品l种成分含量构成的浓度矩阵；
Anxm＝[a1,a2,…,an]t(n＝1,2,…,N)为输入矢量；
W M I ( n ) = w 11 ( n ) w 12 ( n ) ... w 12 ( n ) w 21 ( n ) w 22 ( n ) ... w 2 I ( n ) . . . . . ... . . . . w M 1 ( n ) w M 2 ( n ) ... w M I ( n )
其中，WMI(n)为第n次迭代时输入层与隐层I之间的权值矢量；
WJP(n)为第n次迭代时隐层J与输出层之间的权值矢量；
Yk(n)＝[yk1(n),yk2(n),…,ykP(n)](k＝1,2,…,N)为第n次迭代时网络的实际输出；
Cn×l＝[c1,c2,…,cn]t(n＝1,2,…,N)为期望浓度；
(2)初始化，赋给WMI(0),WJP(0)各一个较小的随机非零值；
(3)随机输入样本an，n＝0；
(4)对输入样本an，前向计算BP网络每层神经元的输入信号和输出信号；
(5)由期望浓度cn和上一步求得的实际输出an′，计算误差E(n)，判断是否满足要求；若满足要求转至步骤(8)，若不满足要求转至步骤(6)；
(6)判断n+1是否大于最大迭代次数，若大于最大迭代次数转至步骤(8)，若不大于最大迭代次数，对输入样本an，反向计算每层神经元的局部梯度δ；
(7)按下式计算权值修正量ΔW，并修正权值；n＝n+1，转至步骤(4)；权值修正量的公式如下：
Δ W i j 5 = η . δ i j . a j ′ 4 W i j 5 ( n + 1 ) = W i j 5 ( n ) + ΔW i j ( n )
其中，η为学习速率，n为迭代次数；
(8)判断是否学完所有的训练样本，若是则学习结束，若否则转至步骤(3)。
其中，设有一N层前向网络，每层神经元数为Sk(k＝1,2,...,N)，记输入层为第一层，输出层为第N层；第k层神经元的连接权值网络中的所有权值组成状态向量：
W = [ W 11 1 ... W S 1 S 2 1 W 11 2 ... W S 2 S 3 2 ... W 11 N - 1 W S N - 1 S N N - 1 ] T
其维数为：
N W = Σ i = 1 N - 1 S i S i + 1
系统的状态方程和观测方程表示为：
W k = W k - 1 C e k = C r k + V k = h ( W k , a k ) + V k
其中，Vk为观测噪声，其统计特性为：
E ( V k ) = 0 , E ( V k V k T ) = R k
令
则观测方程为：
Cek＝HkWk+Dk+Vk
其中，Cek为标样浓度，ak为第k个样品光谱矢量，Crk为预测浓度。
其中，BPNN校正模型的阈值和权值修正单元250在获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述BPNN校正模型的阈值和权值的过程中，
Step1：向前推算权值变量，其公式为：
Step2：向前推算误差协方差，其公式为：
Step3：计算卡尔曼增益，其公式为：
Step4:由期望输出Cek更新估计，其公式为：
Step5：更新误差协方差，其公式为：
Step6：k＝k+1转Step2；
其中，为初始估计权值变量；Pk-1为初始估计误差协方差。
通过上述实施方式可以看出，本发明提供的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正方法及系统，利用KF-BPNN使近红外光谱校正模型具有自适应性，降低重建模型成本，从而达到实现在线分析的目的。
如上参照附图以示例的方式描述了根据本发明提出的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正方法及系统。但是，本领域技术人员应当理解，对于上述本发明所提出的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正方法及系统，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。

Claims (8)

1.一种基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正方法，包括：
利用K/S算法从标准样品中选择有代表性的建模样品；
采用BPNN法对所述建模样品建立近红外光谱数据与浓度间的非线性关系，形成BPNN校正模型；
定期对待测样品进行化验，获取所述待测样品的样品数据；
同时，利用所述BPNN校正模型对所述待测样品进行预测，获取所述待测样品的预测值；
获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述BPNN校正模型的阈值和权值。
2.如权利要求1所述的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正方法，其中，
在采用BPNN法对所述建模样品建立近红外光谱数据与浓度间的非线性关系的过程中，
(1)设An×m为n个建模样品在m个波长上的光谱矩阵，Cn×l为n个建模样品l种成分含量构成的浓度矩阵；
Anxm＝[a1,a2,…,an]t(n＝1,2,…,N)为输入矢量；
其中，WMI(n)为第n次迭代时输入层与隐层I之间的权值矢量；
WJP(n)为第n次迭代时隐层J与输出层之间的权值矢量；
Yk(n)＝[yk1(n),yk2(n),…,ykP(n)](k＝1,2,…,N)为第n次迭代时网络的实际输出；
Cn×l＝[c1,c2,…,cn]t(n＝1,2,…,N)为期望浓度；
(2)初始化，赋给WMI(0),WJP(0)各一个较小的随机非零值；
(3)随机输入样本an，n＝0；
(4)对输入样本an，前向计算BP网络每层神经元的输入信号和输出信号；
(5)由期望浓度cn和上一步求得的实际输出an′，计算误差E(n)，判断是否满足要求；若满足要求转至步骤(8)，若不满足要求转至步骤(6)；
(6)判断n+1是否大于最大迭代次数，若大于最大迭代次数转至步骤(8)，若不大于最大迭代次数，对输入样本an，反向计算每层神经元的局部梯度δ；
(7)按下式计算权值修正量ΔW，并修正权值；n＝n+1，转至步骤(4)；权值修正量的公式如下：
其中，η为学习速率，n为迭代次数；
(8)判断是否学完所有的训练样本，若是则学习结束，若否则转至步骤(3)。
3.如权利要求1所述的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正方法，其中，
设有一N层前向网络，每层神经元数为Sk(k＝1,2,...,N)，记输入层为第一层，输出层为第N层；第k层神经元的连接权值网络中的所有权值组成状态向量：
其维数为：
系统的状态方程和观测方程表示为
其中，Vk为观测噪声，其统计特性为：
令
则观测方程为：
Cek＝HkWk+Dk+Vk
其中，Cek为标样浓度，ak为第k个样品光谱矢量，Crk为预测浓度。
4.如权利要求1所述的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正方法，其中，
在获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述BPNN校正模型的阈值和权值的过程中，
Step1：向前推算权值变量，其公式为：
Step2：向前推算误差协方差，其公式为：
Step3：计算卡尔曼增益，其公式为：
Step4:由期望输出Cek更新估计，其公式为：
Step5：更新误差协方差，其公式为：
Step6：k＝k+1转Step2；
其中，为初始估计权值变量；Pk-1为初始估计误差协方差。
5.一种基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正系统，包括：
建模样品选取单元，用于利用K/S算法从标准样品中选择有代表性的建模样品；
BPNN校正模型建立单元，用于采用BPNN法对所述建模样品建立近红外光谱数据与浓度间的非线性关系，形成BPNN校正模型；
样品数据获取单元，用于定期对待测样品进行化验，获取所述待测样品的样品数据；
预测值获取单元，利用所述BPNN校正模型对所述待测样品进行预测，获取所述待测样品的预测值；
BPNN校正模型的阈值和权值修正单元，用于对获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述BPNN校正模型的阈值和权值。
6.如权利要求5所述的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正系统，其中，
所述BPNN校正模型建立单元在采用BPNN法对所述建模样品建立近红外光谱数据与浓度间的非线性关系的过程中，
(1)设An×m为n个建模样品在m个波长上的光谱矩阵，Cn×l为n个建模样品l种成分含量构成的浓度矩阵；
Anxm＝[a1,a2,…,an]t(n＝1,2,…,N)为输入矢量；
其中，WMI(n)为第n次迭代时输入层与隐层I之间的权值矢量；
WJP(n)为第n次迭代时隐层J与输出层之间的权值矢量；
Yk(n)＝[yk1(n),yk2(n),…，ykP(n)](k＝1,2,…,N)为第n次迭代时网络的实际输出；
Cn×l＝[c1,c2,…,cn]t(n＝1,2,…,N)为期望浓度；
(2)初始化，赋给WMI(0),WJP(0)各一个较小的随机非零值；
(3)随机输入样本an，n＝0；
(4)对输入样本an，前向计算BP网络每层神经元的输入信号和输出信号；
(5)由期望浓度cn和上一步求得的实际输出an′，计算误差E(n)，判断是否满足要求；若满足要求转至步骤(8)，若不满足要求转至步骤(6)；
(6)判断n+1是否大于最大迭代次数，若大于最大迭代次数转至步骤(8)，若不大于最大迭代次数，对输入样本an，反向计算每层神经元的局部梯度δ；
(7)按下式计算权值修正量ΔW，并修正权值；n＝n+1，转至步骤(4)；权值修正量的公式如下：
其中，η为学习速率，n为迭代次数；
(8)判断是否学完所有的训练样本，若是则学习结束，若否则转至步骤(3)。
7.如权利要求5所述的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正系统，其中，
设有一N层前向网络，每层神经元数为Sk(k＝1,2,...,N)，记输入层为第一层，输出层为第N层；第k层神经元的连接权值网络中的所有权值组成状态向量：
其维数为：
系统的状态方程和观测方程表示为
其中，Vk为观测噪声，其统计特性为：
令
则观测方程为：
Cek＝HkWk+Dk+Vk
其中，Cek为标样浓度，ak为第k个样品光谱矢量，Crk为预测浓度。
8.如权利要求5所述的基于卡尔曼滤波BP神经网络近红外光谱动态演化模型校正系统，其中，
所述BPNN校正模型的阈值和权值修正单元在获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述BPNN校正模型的阈值和权值的过程中，
Step1：向前推算权值变量，其公式为：
Step2：向前推算误差协方差，其公式为：
Step3：计算卡尔曼增益，其公式为：
Step4:由期望输出Cek更新估计，其公式为：
Step5：更新误差协方差，其公式为：
Step6：k＝k+1转Step2；
其中，为初始估计权值变量；Pk-1为初始估计误差协方差。
CN201510981003.2A 2015-12-23 2015-12-23 动态演化模型校正方法及系统 Active CN105550457B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510981003.2A CN105550457B (zh) 2015-12-23 2015-12-23 动态演化模型校正方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510981003.2A CN105550457B (zh) 2015-12-23 2015-12-23 动态演化模型校正方法及系统

Publications (2)

Publication Number Publication Date
CN105550457A true CN105550457A (zh) 2016-05-04
CN105550457B CN105550457B (zh) 2019-04-12

Family

ID=55829646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510981003.2A Active CN105550457B (zh) 2015-12-23 2015-12-23 动态演化模型校正方法及系统

Country Status (1)

Country Link
CN (1) CN105550457B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106404712A (zh) * 2016-10-19 2017-02-15 重庆城市管理职业学院 基于gt‑kf‑pls近红外光谱自适应模型校正方法及系统
CN106482502A (zh) * 2016-10-10 2017-03-08 重庆科技学院 基于云平台大数据推荐的智能烘干远程控制方法及系统
CN106644951A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种机动车尾气遥测设备校正方法
CN113686810A (zh) * 2021-08-24 2021-11-23 重庆城市管理职业学院 一种基于卷积神经网络的近红外光谱波长选择方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177155A (zh) * 2013-02-28 2013-06-26 重庆科技学院 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法
CN104462015A (zh) * 2014-11-26 2015-03-25 河海大学 处理非高斯Lévy噪声的分数阶线性离散系统状态更新方法
CN105092519A (zh) * 2015-07-10 2015-11-25 东北大学 基于增量偏最小二乘法的样品成份测定方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177155A (zh) * 2013-02-28 2013-06-26 重庆科技学院 一种基于bp神经网络与spea2算法的油田抽油机采油节能增产优化方法
CN104462015A (zh) * 2014-11-26 2015-03-25 河海大学 处理非高斯Lévy噪声的分数阶线性离散系统状态更新方法
CN105092519A (zh) * 2015-07-10 2015-11-25 东北大学 基于增量偏最小二乘法的样品成份测定方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
S.R.SAMANTARAY 等: "Adaptive Kalman filter and neural network based high impedance fault detection in power distribution networks", 《ELECTRICAL POWER AND ENERGY SYSTEMS》 *
李明干: "基于卡尔曼滤波的神经网络学习算法及其在短期负荷预测中的应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
王立琦: "基于近红外光谱分析的大豆油质量检测方法研究", 《中国博士学位论文全文数据库工程科技I辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106482502A (zh) * 2016-10-10 2017-03-08 重庆科技学院 基于云平台大数据推荐的智能烘干远程控制方法及系统
CN106404712A (zh) * 2016-10-19 2017-02-15 重庆城市管理职业学院 基于gt‑kf‑pls近红外光谱自适应模型校正方法及系统
CN106644951A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种机动车尾气遥测设备校正方法
CN106644951B (zh) * 2016-12-31 2019-04-26 中国科学技术大学 一种机动车尾气遥测设备校正方法
CN113686810A (zh) * 2021-08-24 2021-11-23 重庆城市管理职业学院 一种基于卷积神经网络的近红外光谱波长选择方法
CN113686810B (zh) * 2021-08-24 2024-04-16 重庆城市管理职业学院 一种基于卷积神经网络的近红外光谱波长选择方法

Also Published As

Publication number Publication date
CN105550457B (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
Shao et al. Adaptive soft sensor for quality prediction of chemical processes based on selective ensemble of local partial least squares models
Soares et al. An on-line weighted ensemble of regressor models to handle concept drifts
CN102622473B (zh) 基于贝叶斯理论的步进应力加速退化试验优化设计方法
CN110705692B (zh) 一种时空注意力网络的非线性动态工业过程产品预测方法
CN105550457A (zh) 动态演化模型校正方法及系统
Bernal et al. Financial market time series prediction with recurrent neural networks
CN103389472B (zh) 一种基于nd-ar模型的锂离子电池循环寿命的预测方法
CN108876021B (zh) 一种中长期径流预报方法及系统
CN105825040A (zh) 短期电力负荷预测方法
CN103942461A (zh) 基于在线贯序极限学习机的水质参数预测方法
CN110428121B (zh) 基于灰色关联分析的隐马尔可夫模型食品质量评估方法
CN111047109A (zh) 区域气温变化的定量预测方法
CN110633859B (zh) 一种两阶段分解集成的水文序列预测方法
CN105548068B (zh) 动态演化模型校正方法及系统
CN102708294A (zh) 基于半监督局部线性回归的自适应参数软测量方法
CN105825286A (zh) 一种武器装备全生命周期费用估算系统及方法
CN112464567A (zh) 基于变分同化框架的智能资料同化方法
CN111523727B (zh) 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法
CN110222825B (zh) 一种水泥成品比表面积预测方法及系统
CN105303051A (zh) 一种空气污染物浓度预测方法
Lipponen et al. Correction of approximation errors with Random Forests applied to modelling of cloud droplet formation
CN108509692B (zh) 一种基于MiUKFNN算法的高含硫天然气脱硫工艺建模方法
CN103279030A (zh) 基于贝叶斯框架的动态软测量建模方法及装置
CN103607219A (zh) 一种电力线通信系统的噪声预测方法
CN106404712A (zh) 基于gt‑kf‑pls近红外光谱自适应模型校正方法及系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230119

Address after: 5-2, Unit 3, Building 15, Nancheng Community, No. 4, Lvcheng South Road, Xipeng Town, Jiulongpo District, Chongqing, 400000

Patentee after: Li Qiaoyue

Patentee after: Liu Senyu

Patentee after: Zeng Qiao

Patentee after: Li Yuyan

Patentee after: Yang Zhiming

Address before: 401331 Huxi University Town, Shapingba District, Chongqing

Patentee before: Chongqing University of Science & Technology

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230811

Address after: F-129, Floor 2, No. 287, Electronic Road Section, Xiangcheng Avenue, Xindu District, Chengdu, Sichuan 610500

Patentee after: Chengdu Yinyi Wearing Technology Co.,Ltd.

Address before: 5-2, Unit 3, Building 15, Nancheng Community, No. 4, Lvcheng South Road, Xipeng Town, Jiulongpo District, Chongqing, 400000

Patentee before: Li Qiaoyue

Patentee before: Liu Senyu

Patentee before: Zeng Qiao

Patentee before: Li Yuyan

Patentee before: Yang Zhiming

TR01 Transfer of patent right