1.一种化学放热反应的分布式主元分析神经网络建模方法，其特征在于该方法的具体步骤是：步骤1、采集过程对象的实时运行数据，建立对象的分布式参数模型

1.1以 为输入的时空数据， 为采集的输出数据，和相应的状态变量其中t是时间序列，L为时间序列的长度，zi为采集的第i组输出数据所处的空间位置，N为采集的输出数据的总数；

1.2时空变量 通过傅里叶变换可得：

转换为有限空间可得：

其中 是n次的逼近， 是傅里叶变换得到的正交基函数， 是时间系数；

1.3由于基函数是正交向量，得到：

其中(.,.)是向量的内积运算，则步骤1.2中的时空变量进一步变换可得：

1.4通过求解函数的最小值可得 形式如下；

其中，定义||f(z)||＝(f(z),f(z))1/2，总体平均值 其中f(z)为函数；求解的 满足如下条件；

其中 是空间两点的相关函数，特征函数 可以线性表示为：

1.5由步骤1.4可得：

时间两点的相关函数定义为 经过化简可表示为：Cγi＝λiγi

其中γi＝[γi1,...,γil]是第i个特征向量，C是时间两点相关函数的矩阵；把特征值按照大小的顺序进行排列，即λ1>λ2>…>λL,通过求取前面n个特征值使其满足前面n项的Ei之和大于98％，由此来确定n的大小；

1.6把希尔伯特空间划分为Hs和Hf两个子空间其中系统表示为：

其中As和Bs是需要辨识的矩阵，fs(Xs,0)是u≡0的非线性部分，Y为系统的状态变量、Cs为单位矩阵；

步骤2.线性时不变自回归模型的解耦辨识的具体步骤；

2.1通过步骤1.6空间的低维时间系数yi(t)可表示为：

2.2忽略fs对系统造成的影响，可将系统近似为线性时不变自回归模型；

其中A(q-1)，B(q-1)分别为n×n,n×p项对角矩阵多项式，ny、nu分别为输入输出的阶次，-1q 是后移算子，进而可以变换得：

其中 y(t)时间序列的输

出；

2.3通过使用最小二乘法进行辨识系统中θ；

其中0<μ<1是遗忘因子，K(t)矩阵的权重系数，P(t)一个正定协方差矩阵，可以计算出Ai(i＝1,...,ny)，Bj(j＝1,...,nu)；

步骤3.基于RBF神经网络辨识非线性部分具体步骤如下；

3.1通过一系列输出y(t)，并且在u(t)≡0的情况下，经过ΔTs采样间隔时间后，进行采样获得y(t+ΔTs)，可以得到非线性部分为：fs(t)＝y(t+ΔTs)-Ay(t),fs＝[f1,f2,...,fn]

3.2RBF神经网络由输入层、隐含层、输出层3部分组成；其中包含ny个输入，nr个隐含层的节点，一个输出节点f1；隐含层的基函数选取为薄板样条函数，则第i层隐含节点可以表示为：2

hi(X)＝||X-Ci||lg(||X-Ci||),i＝1,2,...,nr其中Ci为隐含层的中心

3.3RBF神经网络的第j层的输出，可以表示为：其中Wij是隐含层到输出层的权重系数，可以通过最小二乘法获得：

3.4由步骤3.2和步骤3.3可以进一步得到RBF神经网络的形式如下：步骤4.利用遗传算法优化RBF神经网络；

4.1设定种群染色体大小为N，进化的最大迭代次数为N1，随机初始化种群；通过适应度函数优化径向基的个数和径向基中心数目可得目标函数：f＝es+ω·nr

其中ω为权重系数，es是时间[t1 tL]内实际的输出与RBF神经网络的输出误差总和：

4.2采用十进制编码方式对染色体进行编码，第i个的染色体可以表示为：其中i＝1,2,…,N，N是种群的大小，nr是隐含节点的个数，ny是输入节点的个数，1≤nr≤D，D是隐含层节点的最大个数，因此Ci′为m×D的矩阵；染色体Ci′中的元素为：cij＝fmin+r(fmax-fmin),1≤i≤nr,1≤j≤ny其中r是位于[0.1,1]之间的随机变量，fmax，fmin分别为RBF神经网络的输出的最大值和最小值；

4.3选取染色体的操作算子的具体步骤为：

4.3.1染色体交叉运算；选取交叉算子Pc，使染色体Ci′和下一个染色体Ci+1′以概率Pc进行交叉运算，产生下一代染色体；

4.3.2染色体校正运算；为了产生新的径向基神经网络结构，以校正算子Pr的概率增加或者减少隐含层节点的个数，从而产生新的隐含层点个数nr＝nr+r1,r1∈[-D/4,D/4]随机的整数，进而改变染色体Ci′中元素cij；

4.3.3染色体变异运算；为了得到搜索空间中更好的解，以Pm的概率改变隐含层节点的个数nr，进而改变染色体中的元素Ci′，从而完成染色个体变异的操作；

4.4依照步骤4.2到4.3中的步骤进行循环重复优化搜索，如果达到最大的进化次数N1结束优化搜索计算，得到经过遗传算法优化后的染色体Ci′，进一步通过解码得到RBF神经网络的参数。