Nelinearni PLS zasnovan na RBF neuronskoj mreži (CROSBI ID 371612)
Ocjenski rad | diplomski rad
Podaci o odgovornosti
Bašić, Mirta
Slišković, Dražen
Grbić, Ratko
hrvatski
Nelinearni PLS zasnovan na RBF neuronskoj mreži
Procesne veličine koje nose informaciju o kvaliteti izlaznog proizvoda često nisu mjerljive. Iznos takvih teško-mjerljivih veličina određuje se njihovom estimacijom, za što je potrebno raspolagati modelom procesa. Izgradnja modela procesa na pogonskim podacima primjenom regresijskih metoda temeljenih na linearnom preslikavanju ulaznog prostora u latentni prostor daje dobre rezultate samo kada su odnosi u procesu blago nelinearni. No, kako u većini praktičnih situacija to nije zadovoljeno, potrebno je iznaći način kako ove metode proširiti na nelinearno modeliranje. Jedan od načina je da se za preslikavanje u latentni prostor koristi nelinearna funkcija. U ovom radu analizira se nelinearna metoda izgradnje modela procesa na temelju pogonskih podataka dobivena hibridizacijom PLS metode preslikavanja u latentni prostor i RBF neuronske mreže. Detaljno je prikazan osnovni NIPALS algoritam, te njegova modifikacija kojom se omogućuje integracija RBF mreža unutar okvira linearnog PLS-a. Ovom metodom izgrađen je nelinearni model procesa destilacije nafte, te su ispitana njegova svojstva u usporedbi s modelima izgrađenim uobičajenim metodama.
estimacija teško-mjerljive veličine; modeliranje procesa; preslikavanje u latentni prostor; nelinearno modeliranje procesa; RBF neuronske mreže; nelinearni PLS
nije evidentirano
engleski
Nonlinear PLS based on RBF neural network
nije evidentirano
hard-to-measure process variable estimation; process modelling; projection to latent subspace; non-linear process modelling; RBF neural networks; non-linear PLS
nije evidentirano
Podaci o izdanju
61
10.07.2009.
obranjeno
Podaci o ustanovi koja je dodijelila akademski stupanj
Osijek