大神们,帮忙翻译一下啊!!急急急急啊! 5
Themostdifficultissueinnonlinearempiricalmodelingisnottheselectionofanonlinearform,be...
Themost difficult issue in nonlinear empirical modeling is not the selection of a nonlinear form, be it polynomial or neural network, but rather the selection of a robust and reliable identification algorithm. For example, the Aspen Target identification algorithm discussed in Zhao et al. (1998) builds one model for each output separately. For a process having my output variables, overall my MISO sub-models are built. The following procedure is employed to identify each submodel from process data.
1.
Specify a rough time constant for each input–output pair, then a series of first order filters or a Laguerre model is constructed for each input (Zhao et al., 1998; Sentoni et al.,
1998). The filter states for all inputs comprise the state vector x:
2. Astatic linear model is built for each output fyj ; j ¼ 1; 2;y;myg using the state vector x as inputs using partial least squares (PLS).
3. Model reduction
is then performed on the inputstate output model identified in Steps 1 and 2 using principal
component analysis and internal balancing to eliminate highly
collinear state variables.
4. The reduced
model is rearranged in a state-space model eA;BT; which is used to generate
the state sequence
fxk; k 1;
2;y;Kg: If the model converges, i.e., no further reduction in model order, go to the
next step; otherwise, return to step 2.
5. A PLS model isbuilt between the state vector x and the output yj : The PLS model coefficients form the C matrix.
6. A neural
network model is built between the PLS latent factors in the previous step and the PLS residual
of the output yj : This stepgenerat es the nonlinear static map gjexT: The use of the PLS latent factors
instead of the state vectors is to improve the robustness of the neuralnetwork training and reduce the size of the neural network. 展开
1.
Specify a rough time constant for each input–output pair, then a series of first order filters or a Laguerre model is constructed for each input (Zhao et al., 1998; Sentoni et al.,
1998). The filter states for all inputs comprise the state vector x:
2. Astatic linear model is built for each output fyj ; j ¼ 1; 2;y;myg using the state vector x as inputs using partial least squares (PLS).
3. Model reduction
is then performed on the inputstate output model identified in Steps 1 and 2 using principal
component analysis and internal balancing to eliminate highly
collinear state variables.
4. The reduced
model is rearranged in a state-space model eA;BT; which is used to generate
the state sequence
fxk; k 1;
2;y;Kg: If the model converges, i.e., no further reduction in model order, go to the
next step; otherwise, return to step 2.
5. A PLS model isbuilt between the state vector x and the output yj : The PLS model coefficients form the C matrix.
6. A neural
network model is built between the PLS latent factors in the previous step and the PLS residual
of the output yj : This stepgenerat es the nonlinear static map gjexT: The use of the PLS latent factors
instead of the state vectors is to improve the robustness of the neuralnetwork training and reduce the size of the neural network. 展开
展开全部
非线性经验模型的最困难的问题是没有选择的非线性形式,的多项式或神经网络,而是选择了一个强大的和可靠的识别算法。例如,的阿斯目标识别算法研究。讨论。 (1998)建立了一个模型,分别为每个输出。的输出变量的方法,整体的MISO的基础的子模型。使用下面的方法来确定每个子模型为每个的从过程data.1.Specify输入 - 输出对,包括一系列的一阶滤波器或Laguerre模型为每个输入(Zhao等一个粗略的时间常数人,1998年; Sentoni,等人,1998)。过滤器的状态,所有输入的状态向量:2。非定向的线性模型的每个输出FYJ? = 1,2,Y;的MYG使用状态向量作为输入,采用偏最小二乘(PLS)0.3。输出的模型模型reductionis然后inputstate在步骤1和2,采用主成分分析和内部的平衡消除highlycollinear状态variables.4的决定。重新排列状态空间模型的reducedmodel EA; BT,这是用来generatethe状态sequencefxk 1,2,Y;(千克):如果模型收敛,即没有进一步减少模型的阶次,以thenext步骤,否则,返回步骤2.5 。状态向量和输出之间的模型isbuilt YJ,形成的模型系数C matrix.6的。神经网络模型的PLS的潜在因素的的PLS residualof输出在上一步中之间建立YJ:这stepgenerat ES非线性静态地图gjexT:PLS潜在factorsinstead的状态向量,用改进的神经网络鲁杆的培训和减少的神经网络的大小。
已赞过
已踩过<
评论
收起
你对这个回答的评价是?
展开全部
非线性经验模型的最困难的问题是没有选择的非线性形式,的多项式或神经网络,而是选择一个强大的和可靠的识别算法。例如,阿斯本的目标识别算法赵等人在讨论。 (1998)建立了一个模型为每个输出分别。我的输出变量的过程中,整体我的的MISO子模型的基础。采用下面的过程,以确定每个子模型从过程data.1.Specify为每个输入 - 输出对的一个粗略的时间常数,则构成了一系列的第一阶滤波器或Laguerre模型为每个输入(Zhao等,1998年; Sentoni等人,1998年)。所有输入的过滤器的状态由状态向量x:2。无定向线性模型的建立为每个输出FYJĴ= 1,2,Y; MYG使用状态向量作为输入,采用偏最小二乘(PLS)0.3。的型号reductionis然后进行上的inputstate的产出模型确定在步骤1和步骤2利用主成分分析和内部平衡的,消除highlycollinear状态variables.4的。重新排列的reducedmodel的状态空间模型EA; BT;这是用来generatethe状态sequencefxk的;1,2,Y;公斤:如果模型收敛,即没有进一步降低模型阶,去thenext步骤;否则,返回到步骤2.5。一个模型isbuilt之间的状态向量和输出YJ:,模型系数形成的C matrix.6。阿的神经网络模型的建立之间的PLS在上一步中的潜在因素和PLS residualof输出YJ:这stepgenerat的ES非线性静态地图gjexT的:PLS的潜在factorsinstead的状态向量利用改进的神经网络的鲁棒性的培训和减少的神经网络的大小。
已赞过
已踩过<
评论
收起
你对这个回答的评价是?
展开全部
第一段:最困难的问题,在非线性的实证模型是不是一个非线性形式的选择,它是多项式神经网络,而是一个强大的和可靠的识别算法的选择。For example, the Aspen Target identification algorithm discussed in Zhao et al. (1998)建立一个模型的每个输出分别。有我的输出变量的过程,是建立综合我的MISO子模型。下面的程序是用来确定每个子模型的过程数据。
第二段:静态的线性模型的建立[J].¼每个输出fyj;1;2;Y;MYG使用状态向量X,采用偏最小二乘(PLS)输入。
第三段:。模型降阶
然后在步骤1和2使用的主要识别输入状态输出模型进行成分分析和内部的平衡,消除高度共线状态变量。
第四段:。The reduced
模型中的状态空间模型,EA重排;Bt;它是用来产生的状态序列fxk;K 1;2;Y;公斤:如果模型收敛,即,模型阶的没有进一步的减少,去下一步;否则,返回步骤2。
第五段:5。一个PLS模型建立状态向量X和输出YJ之间:PLS模型系数C矩阵形式。
第六段:6。A neural
网络模型的PLS潜在因素之间建立在以前的步骤和PLS残余输出的勇俊:这stepgenerat ES非线性静态地图gjext:请使用的潜在因素相反的状态向量是提高神经网络训练算法的鲁棒性和降低神经网络的规模。
。。。。。希望能帮到你!
第二段:静态的线性模型的建立[J].¼每个输出fyj;1;2;Y;MYG使用状态向量X,采用偏最小二乘(PLS)输入。
第三段:。模型降阶
然后在步骤1和2使用的主要识别输入状态输出模型进行成分分析和内部的平衡,消除高度共线状态变量。
第四段:。The reduced
模型中的状态空间模型,EA重排;Bt;它是用来产生的状态序列fxk;K 1;2;Y;公斤:如果模型收敛,即,模型阶的没有进一步的减少,去下一步;否则,返回步骤2。
第五段:5。一个PLS模型建立状态向量X和输出YJ之间:PLS模型系数C矩阵形式。
第六段:6。A neural
网络模型的PLS潜在因素之间建立在以前的步骤和PLS残余输出的勇俊:这stepgenerat ES非线性静态地图gjext:请使用的潜在因素相反的状态向量是提高神经网络训练算法的鲁棒性和降低神经网络的规模。
。。。。。希望能帮到你!
已赞过
已踩过<
评论
收起
你对这个回答的评价是?
展开全部
最困难的问题,在非线性的实证模型是不是一个非线性形式的选择,它是多项式神经网络,而是一个强大的和可靠的识别算法的选择。例如,在阿斯彭的目标识别算法在赵等人讨论。(1998)建立一个模型的每个输出分别。有我的输出变量的过程,是建立综合我的MISO子模型。下面的程序是用来识别每个子模型的过程data.1.specify粗糙的时间为每个输入输出对的–恒定,然后一系列的第一阶滤波器或拉盖尔模型是为每个输入(赵等人。,1998;sentoni等人。,1998)。所有的输入过滤器的状态由状态向量X:2。静态的线性模型的建立[J].¼每个输出fyj;1;2;Y;MYG使用状态向量X,采用偏最小二乘(PLS)的输入。3。模型管理然后在步骤1和2采用主成分分析和内部的平衡,消除highlycollinear状态变量确定输入状态输出模型进行的。4。该reducedmodel是一个状态空间模型的EA重排;Bt;它是用来生成状态sequencefxk;K 1;2;Y;公斤:如果模型收敛,即,模型阶的没有进一步的减少,走下一步;否则,返回步骤2.5。一个PLS模型建立状态向量X和输出YJ之间:PLS模型系数矩阵形式的C 6。一个神经网络模型的PLS建立的潜在因素之间在上一步中,请residualof输出YJ:这stepgenerat ES非线性静态映射的gjext:状态矢量的PLS潜factorsinstead使用改进的神经网络训练算法的鲁棒性和降低神经网络的规模
已赞过
已踩过<
评论
收起
你对这个回答的评价是?
展开全部
我去!这么多。自己慢慢来吧孩纸
已赞过
已踩过<
评论
收起
你对这个回答的评价是?
推荐律师服务:
若未解决您的问题,请您详细描述您的问题,通过百度律临进行免费专业咨询