基于时延挖掘模糊时间认知图的化工过程多变量时序预测方法

发布时间：2021-07-06 15:47

　　模糊认知图（fuzzy cognitive maps, FCM）作为一种复杂系统的建模工具,能够对系统的非线性和不确定性进行处理。由于工业过程变量间往往存在着时间延迟,传统的FCM模型难以处理这类多变量的时间序列数据,建立的预测模型往往不能反映系统内各变量真实的因果关系,从而导致预测结果的解释性差、准确度低等问题。为此,提出了一种时延挖掘模糊时间认知图（time-delay-mining fuzzy time cognitive maps, TM-FTCM）,它使用互相关函数（cross-correlation function,CCF）从数据中挖掘时延信息,并通过在推理机制中添加自我影响因子和偏置及优化转换函数等参数,有效地解决了由于工业过程变量间的时延导致的预测模型不准确等问题。通过数值仿真实例及实际化工过程数据,验证了所提方法的有效性。 

【文章来源】：化工学报. 2020,71(03)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

0 实验结果

模糊认知图是一个三元序组U=(C,E,W)，如图1所示。其中，C={C1,C2,?,Cn}，表示FCM中的n个概念节点的集合；E={<Ci,Cj>}，是FCM中概念节点间因果关联的有向弧，有向弧<Ci,Cj>表示概念节点Ci对Cj有因果关联或影响；W={wij},wij∈[0,1],wij表示节点Ci对Cj的影响程度。如wij>0，则Ci对Cj有正的影响，即Ci的增加（或减少）引起Cj的增加（或减少）；如果wij<0则Ci对Cj有负的影响，即Ci的增加（或减少）引起Cj的减少（或增加）；如果wij=0，则表明Ci对Cj没有影响。

模糊时间认知图(FTCM)是在模糊认知图(FCM)基础上的扩展，它使用领域专家的知识定义时间信息集，增加了概念节点间的时间滞后信息。FTCM使用模糊集的形式表达时延信息，如{I,N,L}，其中I、N和L分别表示“Immediate”、“Normal”和“Long”模糊值的形式，如{1,2,3}，其中“3”可以表示3个滞后单元如3年、月等；“2”可以表示2个滞后单元；“1”表示1个。FTCM的示意图如图2所示。其中，+0.9、-0.1、-0.7、-0.8、-0.5和+0.5为节点间的连接强度，3、1、2、1、2和1表示节点间的滞后时间。2 改进的FTCM模型

【参考文献】：
期刊论文
[1]模糊灰色认知网络的建模方法及应用[J]. 陈宁,彭俊洁,王磊,郭宇骞,桂卫华.  自动化学报. 2018(07)
[2]基于关联变量时滞分析卷积神经网络的生产过程时间序列预测方法[J]. 张浩,刘振娟,李宏光,杨博,路洁.  化工学报. 2017(09)
[3]基于数据的流程工业生产过程指标预测方法综述[J]. 陈龙,刘全利,王霖青,赵珺,王伟.  自动化学报. 2017(06)
[4]概率模糊认知图[J]. 骆祥峰,高隽.  中国科学技术大学学报. 2003(01)



本文编号：3268521