-
摘要：复杂科学这一概念是在 20世纪80年代提出的,被誉为“21世纪的科学”。很多现代化的工业生产过程都可以被归为复杂系统，对其进行合理有效的建模会大大提高控制精度进而提高生产效率。目前，系统建模常用的方法有：传统动力学建模、智能方法建模及特征建模方法。第一种建模方法主要是根据系统的工作原理，依靠精确的动力学分析进行建模。对于复杂工业系统，由于其阶数较高，一般只是在仿真中用来作为参考模型，很难在实际中应用。后两种方法是基于专家经验和实际生产数据进行的建模，以往生产过程中在线测量得到的数据（又称为样本）在建模中起了重要的作用，有学者将其称为“数据驱动”型建模。在这种建模过程中，样本的数量和质量非常关键。因此，本课题试图分别应用拉丁超立方设计、均匀设计进行取点，从而找到最优化的数据来实现神经网络建模的误差最小化。 35872
- 上一篇：聚焦型太阳能固体加热预处理装置设计
- 下一篇：基于智能控制的电力机车控制系统计
毕业论文关键字：RBF神经网络；拉丁超立方设计；均匀设计
Application of DOE in complex systems modeling
Abstract：Miscellaneous scientific concept was proposed in the 1980s, known as the "21st century science." Many modern industrial processes can be categorized as a complex system, its rational and effective model will greatly improve control accuracy and to improve productivity. Currently, system modeling commonly used methods are: the traditional dynamics modeling, feature modeling and intelligent modeling method. The first modeling approach is mainly based on how the system works, relying on accurate modeling of dynamics analysis. For complex industrial systems, because of its high order, generally only used as a reference in the simulation model, difficult to apply in practice. The latter two methods are based on modeling expertise and actual production data, the data in the past the production process online measurement obtained (also known as samples) played an important role in modeling, some scholars have called it "data driven "type model. In this modeling process, the quantity and quality of samples is critical. Therefore, the present study attempts to apply statistical knowledge to select a sample library, providing a new way for the modeling of complex systems.
Keywords：RBF natural network;Latin hypercube design;Uniform design
目录
1 绪论 . 1
1.1 建模研究领域 1
1.2 研究内容 2
2 实验设计介绍 . 3
2．1 实验设计理论 3
2．1．1 实验设计概述 3
2．1．2 实验设计方法的发展 3
2.2 试验设计方法 4
2．2．1 均匀实验设计 4
2．2．2 超拉丁方设计 5
2.3 实验设计的优越性 5
3 神经网络介绍 . 7
3.1 神经网络工作原理 7
3.2 神经网络国内外的发展 9
3.2.1 国外神经网络的发展 9
3.2.2 国内神经网络的发展 10
3.2.3 神经网络发展现状 11
3.2.4 目前遇到的问题 13
3.3 神经网络特性 13
3.4 现有方法 14
3.5 RBF神经网络. 14
3.5.1 RBF 神经网络的基本原理. 14
3.5.2 RBF 神经网络的网络结构. 15
3.5.3 RBF 神经网络的优点. 16
4 基于 DOE 的 RBF 神经网络建模 . 19
4.1 问题描述. 19
4.2 用试验设计法选取数据 19
4.2.1 均匀设计 19
4.2.2 拉丁超立方 19
4.3 RBF神经网络建模 . 20
4.3.1基于拉丁超立方的神经网络建模. 20
4.3.2基于均匀设计的神经网络建模. 22
4.4对照模型 23
5 结论与展望 . 29
5.1 结论. 30