基于遗传神经网络的微滤膜通量的预测

针对BP神经网络在寻优过程中容易陷入局部极小值的缺点,将遗传算法和BP神经网络相结合,构造了一种基于遗传算法的反向传播（GABP）神经网络。网络的训练分为两步：首先利用遗传算法群体寻优策略,采用遗传算法对网络权值和阈值进行全局搜索,保证其落入全局最优点的邻域;然后再用梯度法对网络权值进行细化训练以进一步减小误差,使其收敛于全局最优解或性能很好的近似最优解。网络训练时使用的数据是在不同操作条件 （温度、压力、浓度）下,用标准孔径为0.1 μm 的亲水聚偏氟乙烯微滤膜过滤牛血清白蛋白(BSA)溶液时得到的膜通量实验数据,用训练好的GABP神经网络对微滤膜过滤BSA的膜通量预测研究结果表明,与传统的BP算法相比,GABP神经网络算法改善了网络收敛速度以及膜通量预测的准确度。     

自增长混合神经网络及其在燃料电池建模中的应用

为了提高非线性辨识的精度, 提出了一种基于混合算子的自增长混合神经网络。该神经网络通过自增长的混合隐含层结构, 包括加算子和乘算子, 形成神经元个数少、结果精确、增长快速的网络。论文在级联神经网络的结构基础上, 提出GQPSOI算法来引导神经网络的结构自增长以及权值更新。通过对燃料电池的建模与比较分析, 证明了方法的有效性和良好的应用前景。     

DOBD Algorithm for Training Neural Network: Part I. Method

Overfitting is one of the important problems that restrain the application of neural network. The traditional OBD (Optimal Brain Damage) algorithm can avoid overfitting effectively. But it needs to train the network repeatedly with low calculational efficiency. In this paper, the Marquardt algorithm is incorporated into the OBD algorithm and a new method for pruning network－the Dynamic Optimal Brain Damage (DOBD) is introduced. This algorithm simplifies a network and obtains good generalization through dynamically deleting weight parameters with low sensitivity that is defined as the change of error function value with respect to the change of weights. Also a simplified method is presented through which sensitivities can be calculated during training with a little computation. A rule to determine the lower limit of sensitivity for deleting the unnecessary weights and other control methods during pruning and training are introduced. The training course is analyzed theoretically and the reason why DOBD algorithm can obtain a much faster training speed than the OBD algorithm and avoid overfitting effectively is given.     

用于ANN训练的OBD剪枝算法的改进

将Marquardt算法和OBD算法结合 ,提出了一种神经网络的DOBD动态剪枝算法 .通过一种近似的动态计算灵敏度的方法和灵敏度删除下限技术 ,该算法能够在训练的同时删除低灵敏度的权重以简化网络 ,避免了OBD算法的反复训练 .新算法应用于稳定汽油蒸气压预估的模型中 .计算结果表明 ,DOBD算法可以有效地克服由于网络结构过于复杂造成的过拟合现象 ,并且比OBD算法具有更快的训练收敛速度.     

Prediction of the gas solubility in polymers by a radial basis function neural network based on chaotic self‐adaptive particle swarm optimization and a clustering method

A novel model based on a radial basis function neural network (RBF NN), chaos theory, self‐adaptive particle swarm optimization (PSO), and a clustering method is proposed to predict the gas solubility in polymers; this model is hereafter called CSPSO‐C RBF NN. To develop the CSPSO‐C RBF NN, the conventional PSO was modified with chaos theory and a self‐adaptive inertia weight factor to overcome its premature convergence problem. The classical k‐means clustering method was used to tune the hidden centers and radial basis function spreads, and the modified PSO algorithm was used to optimize the RBF NN connection weights. Then, the CSPSO‐C RBF NN was used to investigate the solubility of N₂ in polystyrene (PS) and CO₂ in PS, polypropylene, poly(butylene succinate), and poly(butylene succinate‐co‐adipate). The results obtained in this study indicate that the CSPSO‐C RBF NN was an effective method for predicting the gas solubility in polymers. In addition, compared with conventional RBF NN and PSO neural network, the CSPSO‐C RBF NN showed better performance. The values of the average relative deviation, squared correlation coefficient, and standard deviation were 0.1282, 0.9970, and 0.0115, respectively. The statistical data demonstrated that the CSPSO‐C RBF NN had excellent prediction capabilities with a high accuracy and a good correlation between the predicted values and the experimental data. © 2013 Wiley Periodicals, Inc. J. Appl. Polym. Sci. 130: 3825–3832, 2013     

基于模糊RBF神经网络的乙烯装置生产能力预测

针对传统的径向基函数(RBF)神经网络隐藏层节点的不确定和初始中心敏感性、收敛速度过慢等问题,提出一种基于模糊C均值的RBF神经网络(FCM-RBF)模型,通过模糊C均值聚类(FCM)得到各聚类中心,基于误差反传的梯度下降法训练隐藏层到输出层之间的权值,克服传统RBF模型对数据中心的敏感性,优化确定RBF神经网络隐藏层的节点数,提高网络训练速度和精度。最后将其用于乙烯装置生产能力预测中,分析预测不同技术、不同规模乙烯装置生产情况,指导乙烯生产,提高生产效率,结果验证了所提出算法的有效性和实用性。     

嵌入岭回归的BP算法及其在软测量中的应用

针对三层神经网络(ANN)最佳隐节点个数难以确定和随着隐节点个数增加ANN模型易出现过拟合等缺点,提出了嵌入岭回归(RR)的误差反传算法(BP).BP-RR根据样本规模自适应确定隐节点个数,并通过BP算法充分提取样本数据信息.然后,针对隐含层输出可能存在的复共线性,采用RR以预测性能为指标,通过进化算法确定最佳岭参数,进而重新确定隐含层与输出层之间最佳的权值和阈值,克服ANN过拟合,建立具有良好预测性能的模型.将BP-RR应用于建立石脑油干点软测量,结果显示,BP-RR模型具有良好的预测性能.与ANN相比,BP-RR模型鲁棒性强,预测精度高.     

一种新型神经网络观测器的设计与应用

针对传统线性观测器只在操作点附近具有工作满意度区间和传统非线性观测器对模型准确度依赖较大的问题,提出一种非传统的神经网络观测器设计方法。该神经网络是一个三层前馈网络,采用带修正项的误差反传算法进行训练以保证控制的精度和权值的有界。为降低对系统模型精度的依赖度,采用神经网络去识别系统的非线性部分,再结合传统的龙伯格观测器去重构系统的状态。利用Lyapunov直接法保证基于权值误差的非传统观测器的稳定性。最后将该观测器应用于机器人轨迹跟踪控制中,仿真结果表明:该方法适用于模型精度较低的非线性系统,可以满足控制的要求。     

基于Ms-LWPLS的化工过程网络化性能分级评估方法

针对化工过程输入输出数据间非线性关系问题，提出一种基于多数据空间局部加权潜结构映射(multi-space locally weighted projection to latent structures，Ms-LWPLS)的网络化性能分级评估方法。该方法将历史数据分成不同性能等级的集合，利用Ms-LWPLS方法提取不同性能等级训练数据的过程变化，获得训练数据与性能等级标签之间的非线性映射结构，实现输入数据与性能等级之间的网络化“离线建模”。得到模型后，以数据滑动时间窗为评估单元，将滑动窗口数据输入到训练好的神经网络模型中，根据网络输出划分过程当前性能等级，并构造过渡性能系数，将稳态性能等级和过渡性能等级进行识别和区分。最后，将该方法应用到乙烯裂解过程在线性能评估中，说明此性能评估方法的有效性和准确性。     

基于协同量子粒子算法的透平蒸汽流量软测量

透平蒸汽流量是分析透平运行效率的重要参数,由于现场大量缺乏检测信息,且针对传统测量方法存在可靠性差,非接触式测量成本高、安装困难等问题,提出了一种协同量子粒子算法(CQGAPSO),同时优化神经网络(NN)结构和参数的透平蒸汽流量的软测量建模方法。该方法利用节点间的连接开关,有效消除冗余连接对神经网络逼近能力的影响,引入量子概率幅编码和协同机制来提高神经网络的学习效率、逼近精度和泛化能力。透平蒸汽流量软测量的仿真结果表明:相比全连接神经网络和其他模型,所述方法具有更好的预测精度和鲁棒性。     

遗传Marquardt神经网络识别油气水多相流流型研究

目前利用最优化算法中的Marquardt法改进BP神经网络正受到越来越多的人们的注意 ,但该方法的网络初始权值是随机选取。由于初始权值选取不当将对整个网络的性能产生严重影响 ,因此提出将遗传算法与Marquardt法结合 ,先利用遗传算法全局随机搜索寻优的特性来寻找网络最佳初始权值 ,再用Marquardt法使网络权系数稳定收敛 ,同时应用该方法对油气水多相流流型进行智能识别 ,结果表明该方法能有效学习模式样本 ,学习稳定 ,推广能力强 ,适合于在流型识别等神经网络为中小规模的场合下应用。     

The control of MSF desalination plants based on inverse model control by neural network

In this paper, a nonlinear inverse model control strategy based on neural network is proposed for MSF desalination plant. Artificial neural networks (ANNs) can handle complex and nonlinear process relationships, and are robust to noisy data. The designed neural networks consist of three layers identified from input–output data and trained with a descent gradient algorithm. The set point tracking performance of the proposed method was studied when the disturbance is present in the MSF system. Three controllers are designed for controlling the top brine temperature, the level of last stage and salinity. These results show that a neural network inverse model control strategy (NNINVMC) is robust and highly promising to be implemented in such nonlinear systems. Also the comparison between the top brine temperature of the proposed model and NN predicted data from the literature supports the accuracy of the model.     

RBF-CSR方法及其应用于裂解装置建模的研究

RBF－CSR是在分析RBF－PLS的基础上提出的新方法。它保留了RBF－PLS的优点：采用神经网络的结构，又用数学方法直接求解，免去了ANN冗长的训练过程和其它诸多欠缺。RBF－CSR方法可以在更宽广的空间内寻找最优的网络参数，它所建立的模型具有很强的预报精度和良好的稳定性，又有简洁的解析形式，便于优化等进一步的计算和处理。该方法已成功地应用于裂解装置的建模。     

ACO-BP算法在化工过程故障诊断中的应用

将蚁群算法和BP神经网络相结合,利用蚁群优化算法与误差反向传播算法结合而构成的混合算法(ACO-BP)训练神经网络的权值和阈值,给出ACO-BP算法训练神经网络的基本原理和方法步骤,并将该算法应用于连续搅拌釜式反应器的故障诊断。仿真结果表明:ACO-BP算法具有较高的诊断精度,能够及时、有效地检测连续搅拌釜式反应器中存在的故障。     

基于改进遗传算法的BP神经网络手写数字识别

手写数字识别是光学字符识别技术的一个分支,一般采用神经网络,其中较为突出的是BP神经网络,但BP算法易陷入误差局部最小产生振荡且训练速度慢,通常先采用优化算法对其结构进行优化。为此,在分析GA-BP算法原理的基础上,提出对GA算法的相应算子中交叉和变异概率进行改进的方法,并用改进的GA算法优化BP神经网络的连接权值和阈值。以手写体数字识别为对象进行实验,结果表明：该方法具有更快的收敛速度和更可靠的稳定性,大大提高了BP神经网络的学习速度和识别率。     

基于基团贡献神经网络集成法估算有机物常压凝固点

基于基团贡献法应用人工神经网络对有机物的常压凝固点进行了估算,输入参数为有机物的基团数和表征异构体的参数,输出为常压凝固点.分析了采用最速梯度下降法的BP算法在训练过程中产生误差饱和情况的原因,采用在隐含层节点中加入误差饱和预防函数用来防止误差饱和情况的出现.仿真结果表明,所采用的方法能有效地减小网络在误差表面陷入低谷的可能性和提高网络的收敛速率.采用神经网络集成法建立了神经网络集成模型,通过仿真合理选择隐含层节点数和采用交叉验证法用于防止BP网络的过度训练,增强了网络的泛化能力.估算结果表明,所建立的神经网络集成模型,其网络有良好的稳定性和预测精度,207个样本估算的绝对平均相对误差为8.62%.     

利用离散正交多项式组合神经网络建立聚合物分子量分布灰箱模型

聚合物分子量分布（MWD）是反映产品性能最重要的指标之一,它是典型的二元建模对象,聚合物分子量分布（MWD）是反映产品性能最重要的指标之一,它是典型的二元建模对象,采用组合神经网络对MWD的空间和时间变量进行分解建模。首先利用离散正交多项式神经网络在链长空间上建立分布与链长的模型,然后将MWD与时间变量的关系转换为网络权向量与输入变量之间的函数,利用递归神经网络建立两者之间的模型,最后组合两个网络达到建模目标。分布函数的模型表达式可写成状态方程形式,为进一步设计控制策略提供了基础。在链长空间上建立模型时,实现了神经网络的权向量与MWD相应阶次矩值之间的等价关系,网络权向量由单纯的拟合数据转变为有意义的物理量,实现了神经网络模型的灰箱化,为精确预测网络隐层节点数问题提供了解决途径。提出的方法应用于实验室规模的苯乙烯聚合过程,证明了建模方法的可行性,同时网络权值与矩值的等价关系也得到验证。     

广义回归神经网络的改进及在延迟焦化建模中的应用

广义回归神经网络（GRNN）具有明确的概率意义,其参数大多能自动确定,仅光滑因子参数需优化估值.采用优进遗传算法（EGA）,将确定性与随机性寻优操作相融合,实现了高效全局搜优,它所基于的优进策略包括设计Powell寻优算子、改进交叉算子、自适应地调整交叉率和变异率等.以推广能力作为优化目标,所建的GRNN有很强的非线性拟合能力和优良的预报性能,将其成功地为延迟焦化过程建模,与径向基网络（RBFN）等相比,显示了明显的优势.     

航空发动机磨损趋势预测模型研究

文章讨论了神经网络的BP算法和遗传算法,提出用遗传算法来优化BP神经网络,应用遗传算法训练神经网络权重,实现网络结构的优化,用优化后的BP人工神经网络建立了航空发动机磨损故障趋势预测模型,利用发动机的光谱监测数据作为预测磨损趋势的特征参数,进行了模型的训练和预测试验,并将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较,证明了基于遗传算法的人工神经网络是航空发动机磨损故障趋势预测的一种理想方法。     

A neural network-based production process modeling and variable importance analysis approach in corn to sugar factory

Corn to sugar process has long faced the risks of high energy consumption and thin profits. However, it’s hard to upgrade or optimize the process based on mechanism unit operation models due to the high complexity of the related processes. Big data technology provides a promising solution as its ability to turn huge amounts of data into insights for operational decisions. In this paper, a neural network-based production process modeling and variable importance analysis approach is proposed for corn to sugar processes, which contains data preprocessing, dimensionality reduction, multilayer perceptron/convolutional neural network/recurrent neural network based modeling and extended weights connection method. In the established model, dextrose equivalent value is selected as the output, and 654 sites from the DCS system are selected as the inputs. LASSO analysis is first applied to reduce the data dimension to 155, then the inputs are dimensionalized to 50 by means of genetic algorithm optimization. Ultimately, variable importance analysis is carried out by the extended weight connection method, and 20 of the most important sites are selected for each neural network. The results indicate that the multilayer perceptron and recurrent neural network models have a relative error of less than 0.1%, which have a better prediction result than other models, and the 20 most important sites selected have better explicable performance. The major contributions derived from this work are of significant aid in process simulation model with high accuracy and process optimization based on the selected most important sites to maintain high quality and stable production for corn to sugar processes.