用于铝电解槽辨识的带跳跃连接的稀疏神经网络

由于神经网络能够直接从数据中捕捉复杂的输入输出关系，其在非线性系统辨识中正迅速受到关注。然而，尽管该方法具有灵活性，在此背景下这些模型的安全性以及需要大量可能昂贵的数据仍令人担忧。铝电解是一个高度非线性的生产过程，且大多数数据必须人工采样，使得采样过程昂贵且不频繁。在状态变量测量不频繁的情况下，长期预测的开环稳定性和准确性变得极为重要。标准神经网络难以在有限训练数据下提供稳定的长期预测。在本工作中，我们研究了将拼接跳跃连接与促进稀疏性的 $\ell_1$ 正则化相结合，对短、中、长预测视界下开环稳定性和预测精度的影响。案例研究在一个代表铝电解槽质量与能量平衡的高维非线性模拟器上进行。所提出的模型结构包含从输入层及所有中间层到输出层的拼接跳跃连接，称为 InputSkip。$\ell_1$ 正则化的 InputSkip 称为稀疏 InputSkip。结果表明，在开环稳定性和长期预测精度方面，稀疏 InputSkip 优于稠密与稀疏标准前馈神经网络以及稠密 InputSkip。这些结果在采用各种规模数据集（小、中、大训练集）和所有预测视界（短、中、长预测视界）训练模型时均具有显著性。