طراحي يك شبكه عصبي چندگانه به منظور بهبود بازدهي شناسايي يك واحد شيميايي با استفاده از آموزش همبستگي منفي و الگوريتم ژنتيك

Design an Ensemble Neural Network to Optimize the Identification Performance of a Chemical Plant by Negative Correlation Learning and Genetic Algorithm

اين مقاله به منظور ايجاد يك شبكه عصبي چندگانه، از تركيب آموزش همبستگي منفي و ژنتيك الگوريتم استفاده مي كند. در اين روش مولفه هاي شبكه عصبي چندگانه بصورت همزمان آموزش ميبينند. مولفه هاي شبكه عصبي بدست آمده از طريق شرط پنالتي موجود در تابع خطاي آنها بصورت منفي با هم همبسته مي شوند. خروجي پيش بيني شده با استفاده از ميانگين وزني خروجي هاي مولفه هاي شبكه عصبي بدست مي آيد. ژنتيك الگوريتم با اختصاص دادن وزن هاي مناسب به هر كدام از مولفه هاي شبكه عصبي آموزش ديده شده، در ايجاد شبكه عصبي چندگانه شركت مي كند. روش پيشنهادي بر روي پالايشگاه شيرين سازي گاز كارون از پروژه آماك مربوط به مناطق نفتخيز جنوب مورد آزمايش قرار گرفت و نتايج تست بدست آمده نشان داد كه مدل بدست آمده به خوبي داده هاي تجربي را پيروي ميكند. علاوه بر اين روش پيشنهاد شده كارايي و عملكرد شبكه هاي عصبي يگانه و ساير تكنيك هاي ايجاد شبكه عصبي چندگانه را بهبود بخشيده است.

This paper presents a combination of Negative Correlation Learning (NCL) and Genetic Algorithm (GA) to create an Ensemble Neural Network (ENN). In this approach the component neural networks (CNNs) of ENN are trained simultaneously. The resulting CNNs negatively correlate together through the penalty terms in their objective functions. The predicted output is obtained by using the weighted averaging of the outputs of CNNs. GA participates in the training of CNNs and assigns proper weights to each trained CNN in the ensemble. The proposed method was tested on a case study in the Gas Treatment Plant (GTP) of the AMMAK project in the Ahwaz onshore field in Iran. The testing results of the model properly follow the experimental data. In addition, the proposed method outperformed the single neural network and some other network ensemble techniques.