(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111670602.4 (22)申请日 2021.12.31 (71)申请人 中南大学 地址 410083 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 雷琪　王慧茹　 (74)专利代理 机构 广州容大知识产权代理事务 所(普通合伙) 44326 专利代理师 刘新年 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/28(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 113/08(2020.01) G06F 119/14(2020.01) G06F 119/08(2020.01) (54)发明名称 基于改进HHO优化DELM的脱丁烷塔软测量建 模方法 (57)摘要 本发明提供一种基于改进HHO优化DELM的脱 丁烷塔软测量建模方法， 获取脱丁烷塔生产过程 数据集并根据工艺原理和操作经验进行变量选 择； 对获取的数据集进行归一化处理， 使其变成 无量纲数据集； 然后确定深度极限学习机DELM的 拓扑结构， 通过哈里斯鹰优化算法HHO对DELM隐 含层的节点数进行优化， 将DELM训练得到的根均 方差作为适应度值， 选取使模型误差最小的节点 数； 针对HHO的局限性， 引入Piecewise混沌映射、 惯性权重以及自适应t分布。 基于脱丁烷塔生产 过程数据集， 构建经过改进HHO优化的DELM软测 量模型， 能够使模型避免局部最小值的出现， 相 较于其他方法建立的软测量模型的估计精度有 所提升。 权利要求书2页 说明书9页 附图4页 CN 114547964 A 2022.05.27 CN 114547964 A 1.一种基于改进H HO优化DELM的脱丁 烷塔软测量建模方法， 其特 征在于， 包括： 步骤S1、 采集脱丁烷塔生产过程中的过程变量和目标变量， 进行归一化处理后划分为 训练集和 测试集； 步骤S2、 确定深度极限学习机DELM的拓扑结构， 确定哈里斯鹰优化算法HHO的初始化参 数， 并基于Piecew ise混沌映射策略对种群进行初始化， 以构建DELM模型； 步骤S3、 将DELM训练得到的根均方差作为适应度值， 计算每个个体的适应度值并将适 应度值最优的个 体设置为当前猎物的最优位置； 步骤S4、 确定猎物的逃逸能量， 基于所述逃逸能量确定搜索策略， 并利用惯性权重更新 猎物的位置； 步骤S5、 基于自适应t分布对最优位置进行扰动， 若判断迭代完成， 则将最优解作为 DELM节点数， 完成DELM模型的训练， 输出测试集上的估计值， 若迭代未完成， 则跳转至步骤 S3。 2.根据权利 要求1所述的基于改进HHO优化DELM的脱丁烷塔软测量建模方法， 其特征在 于， 所述步骤S1中， 所述过程变量包括塔顶温度、 塔顶压力、 回流流量、 流向下一过程的流 量、 第6隔板温度、 第一塔底温度、 第二塔底温度； 所述目标变量为丁烷浓度； 其中， 所述过程 变量为输入变量， 所述目标变量 为输出变量。 3.根据权利 要求1所述的基于改进HHO优化DELM的脱丁烷塔软测量建模方法， 其特征在 于， 所述步骤S2具体包括： 步骤S21、 确定DELM的隐含层层数、 正则化参数C和激活函数； 初始化改进的HHO的参数， 包括搜索维度dim、 最大迭代次数T、 种群规模m、 DELM隐含层节点数上界lb、 DELM隐含层节点 数下界ub； 步骤S22、 基于Piecewise混沌映射策略初始化种群， 以克服种群初始化的盲目性， 具体 为： 上式中， P为控制参数， P∈[0,1]； ri是第i个混沌数， ri∈[0， 1]； 步骤S23、 建立DELM模型， 先进行多层ELM ‑AE无监督特征提取， 将输入样本X作为第一个 ELM‑AE的目标输出X1＝X， 求输出权值β1， 令 将DELM第一个隐含层的输出矩阵H1作为 下一个ELM ‑AE的输入与目标输出， 依次类推逐层训练， 求得各层的 隐含层权重； 其中， 第i个 隐含层的输出Hi计算为： Hi＝g(Hi‑1·wi) wi(i＝1,2, …,h)表示第 i‑1隐含层和第 i隐含层之间的权重， g(.)表示为Sigmoid激活 函数；权　利　要　求　书 1/2 页 2 CN 114547964 A 2DELM模型的最后一层利用原 始的ELM来进行训练， 其输出权 重γ的表达式为： γ*＝(Ik/C+HTH)‑1HTY 上式中， Ik表示k维的单位矩阵， C表示正则化参数， Y表示输 出样本的实际值， H表示最后 一个隐含层的输出。 4.根据权利 要求3所述的基于改进HHO优化DELM的脱丁烷塔软测量建模方法， 其特征在 于， 所述步骤S3中将DELM训练得到的根均方差作为 适应度值， 计算公式为： 其中， yi为实际值， 为估计值， N 为测试集样本的个数。 5.根据权利 要求4所述的基于改进HHO优化DELM的脱丁烷塔软测量建模方法， 其特征在 于， 所述步骤S4具体包括： 计算猎物的逃逸能量E： 上式中， t为当前迭代次数， T为 最大迭代次数， E0为其能量的初始状态； 若判断|E|≥1， 则进行全局搜索， 哈里斯鹰搜索不同的区域 来探索猎物的位置； 若判断|E|＜1， 基于0 ‑1之间的随机数r和逃逸能量E选择不同的局部开发策略， 具体包 括： 当r≥0.5且|E|≥0.5时， 采用软围攻 位置更新策略； 当r≥0.5且|E|< 0.5时， 采用硬围攻 位置更新策略； 当r<0.5且|E|≥0.5时， 采用渐进式快速俯冲的软围攻策略； 当r<0.5且|E|< 0.5时， 采用渐进式快速俯冲的硬围攻策略。 6.根据权利 要求5所述的基于改进HHO优化DELM的脱丁烷塔软测量建模方法， 其特征在 于， 基于0‑1之间的随机数r和逃逸能量E 选择不同的局部开发策略后， 还 包括： 引入惯性权重策略， 对猎物位置的邻域进行再更新， 以找出更优解， 惯性权重公式和猎 物位置更新如下式所示： w＝1‑(t/T)2 X'rabbit＝w*Xrabbit 上式中， w为权重系数， X ′rabbit为更新后的猎物位置， Xrabbit更新前的猎物位置 。 7.根据权利 要求1所述的基于改进HHO优化DELM的脱丁烷塔软测量建模方法， 其特征在 于， 所述步骤S5中， 基于自适应t分布对最优位置进行扰动， 具体包括： 引入自适应t分布对最优位置进行扰动， 以迭代次数iter作为自由度参数， 解决无法跳 出局部最优的问题， 变异后的位置公式为： Xbest'＝Xbest+Xbest*t(iter) 式中， Xbest为哈里斯鹰最优位置， Xbest′为变异后的位置 。权　利　要　求　书 2/2 页 3 CN 114547964 A 3