基于PSO-DNN神经网络的煤制甲醇合成过程建模

为了提高模型的预测效果，更好的适应实际过程的动态特性，针对甲醇合成过程的特点，确定了PSO-DNN网络结构。以核主元分析（KPCA）方法为前件，结合改进的Elman神经网络，构成动态神经网络（DNN）模型，并针对此模型的不足，引入粒子群算法（PSO）进行优化。仿真结果表明：基于 PSO-DNN 神经网络的粗甲醇转化率预测模型不仅具备动态适应能力，而且具有预测精度高、收敛速度快、泛化能力强等特点，能够实现粗甲醇转化率的实时稳定预测。