基于非负绞杀与长短期记忆神经网络的动态软测量算法

现代工业过程建模中,生产过程的多变量、非线性及动态性会导致模型复杂度增高且建模精度降低.针对这一问题,将非负绞杀算法(NNG)嵌入长短期记忆(LSTM)神经网络,提出一种基于LSTM神经网络及其输入变量选择的动态软测量算法.首先,通过参数优化生成训练好的LSTM神经网络,利用其出色的历史信息记忆能力处理工业过程中的动态、时滞等问题;其次,采用NNG算法对LSTM网络输入权重进行压缩,剔除冗余变量,提高模型精度,并采用网格搜索法与分块交叉验证对其超参数寻优;最后,将算法应用于某火电厂脱硫过程排放烟气SO2浓度软测量建模,并与其它先进算法进行性能比较.实验结果表明所提算法能有效剔除冗余变量,降低模型复杂度并提高其预测性能.     

浮选生产过程经济技术指标的软测量建模

依据浮选过程的工艺机理和操作经验,初选了浮选过程经济技术指标神经网络软测量模型的输入变量,运用主元分析法对输入变量进行主元分解,降低输入变量维数且消除了输入变量之间的线性相关性,再通过基于最近邻聚类学习算法的径向基函数神经网络进行建模。仿真结果表明,该模型具有较快的训练速率和较高的预测精度,可以满足浮选过程实时控制的在线软测量要求。     

用神经网络建立非线性系统模型研究

本文针对多层网络结构，运用递推预报误差（ＲＰＥ）算法对离散非线性系统进行辨识研究，作为应用实例，本文对一个工业实际进行了神经网络动态建模，研究结果表明，神经网络方法是用于带有非线性特性工业过程建模的有效方法。     

一种部分输入自调整神经网络及其在非线性数据重构中的应用

实际工业过程大部分是非线性过程,其遗失数据的重构问题不能采用现有的线性数据重构方法来解决.本文提出一种部分输入自调整神经网络,以待求的重构变量作为要调整的网络输入.与传统网络不同的是,该网络的权值和阚值先由另外的神经网络训练求得,通过神经网络后向传递算法只需对网络的部分输入值进行训练,这样将非线性数据重构问题转化为部分输入神经网络的训练问题.仿真结果验证本文方法的有效性.     

改进粒子群优化Takagi-Sugeno模糊径向基函数神经网络的非线性系统建模

针对复杂非线性系统建模的难点问题,提出了一种基于改进的粒子群优化算法（PSO)优化的T-S模糊径向基函数（RBF）神经网络的新型系统建模算法。该算法将T-S模糊模型良好的可解释性及RBF神经网络的自学习能力相结合,构成T-S模糊RBF神经网络用于系统建模,并采用动态调整惯性权重的改进的PSO算法结合递推最小二乘算法实现网络参数的优化调整。首先,利用所提算法进行了非线性多维函数的逼近仿真,仿真结果均方差（MSE）为0.00017,绝对值误差不大于0.04,逼近精度较高;又将该算法用于建立动态流量软测量模型,并进行了相关的实验研究,动态流量测量结果平均绝对误差小于0.15L/min,相对误差为1.97%,基本满足测量要求,并优于已有算法。上述仿真及实验研究结果表明,所提算法对于复杂非线性系统具有较高的建模精度和良好的自适应性。     

基于文化算法的神经网络及其在建模中的应用

在深入研究文化算法和神经网络相关文献基础上,针对神经网络建模的特点提出了一种训练神经网络的文化算法流程构造文化神经网络,并将该网络用于乙烯精馏塔产品质量软测量建模.通过训练与泛化能力的比较分析,结果表明基于文化神经网络的软测量模型具有良好的性能和较好的应用前景.     

基于神经网络的软测量技术及应用

软测量是一门新兴的工业技术，它借助现代估计理论构造模型推断出工程上难以检测的变量。本文提出了基于径向基函数神经网络（RBFNN）的软测量技术，并且结合工艺机理分析和过程数据关联，对其在轻柴油凝固点软测量的应用进行了研究。结果表明，RBFNN的良好的非线性动态建模能力使其在软测量中具有很大的应用潜力。     

基于信息融合思想的神经网络模型研究及应用

文章针对水电仿真系统中水轮发电机机组的非线性动态数学模型建模复杂问题,提出了一种基于信息融合思想的神经网络模型。通过现场设置的多个异质传感器采集数据,作为该神经网络模型的输入训练样本数据,网络训练中动态修改网络权值和阈值,从而完成复杂的非线性建模功能。同时采用了具有较强全局寻优能力的遗传算法在训练中修改网络结构,从而避免神经网络训练速度慢、容易陷入局部极值的缺点,在现场在线数据预测测试中准确率可达95.8%以上,可以满足仿真模型需要。     

基于人工鱼群的PID神经网络非线性系统控制

研究造纸工业中的流浆箱非线性系统优化控制问题。流浆箱系统是工业过程中常见的一类非线性系统,存在着非线性、强耦合等特性。针对流浆箱要求动态响应好、精度高的特点,提出并设计了人工鱼群算法训练的PID神网络控制器。人工鱼群算法克服了PID神经网络采用BP算法训练权值时,初始权值难以确定,易陷入局部最优的缺点,实现对流浆箱的有效控制。在MATLAB环境下,对流浆箱系统进行了控制仿真。仿真结果表明,人工鱼群算法训练的PID神经网络在动态性、稳定性和精确性等方面均优于BP算法,明显改善了流浆箱这类非线性系统的控制性能,具有很好的应用效果。     

基于PCA-BP的中药提取率的软测量

利用超声波萃取金银花中的绿原酸.依据工艺机理和操作经验,从提取过程中初选了数学模型所需的输入变量.对萃取过程中的提取率,利用主元分析方法PCA对输入变量进行主元分解,消除了输入变量之间的线性相关性,再利用BP神经网络进行数学建模,仿真结果表明:利用PCA法对输人数据进行处理后,与单独使用BP算法的建模结果相比较,该方法具有较快的训练速率和较高预测精度,提高了对中药萃取过程中提取率的在线软测量精度.     

基于Elman神经网络变风量空调系统研究

变风量空调控制系统具有非线性和动态特性.目前,在VAV空调控制领域应用最广泛的神经网络是静态前馈Bp神经网络,而在多层前向Bp网络中引入特殊关联层,形成有"记忆"能力的Elman神经网络,可以映射系统的非线性和动态特性.其在网络训练算法中,采用自适应学习速率梯度下降反向传播算法,显著提高了网络的训练速率,有效抑制了网络陷入局部最小点.文中分别采用Bp神经网络与Elman神经网络建立模型,对VAV空调系统的少量参数的数据进行仿真预测,经比较分析,证明后者具有收敛速度快、预测精度高的特点.     

克隆遗传算法在工业炉温控制中的应用

本文针对工业炉温信号的非线性、时变性、时滞性等特点,提出了基于克隆遗传算法(CGA)的模糊神经网络(FNN)训练算法,在提炼模糊控制规则的同时训练神经网络的权值,加快了搜索,使系统保证了炉温控制的实时性,满足工业需要.MATLAB仿真表明,该控制系统具有较高的控制精度和良好的动态特性.     

聚合物分子量分布的多变量动态系统模型

为了解决聚合产品分子量分布控制的难题,将神经网络引入对其进行了无需任何系统内部先验知识的黑箱建模。所使用的神经网络是由B样条神经网络和非线性递归神经网络(DRNN)组合而成,并使用误差反传算法对网络进行训练和学习,从而建立了多变量动态系统的分子量分布模型。在模型建立中将控制变量与分布参数的函数关系利用非线性递归神经网络描述,分子量分布函数使用B样条神经网络表示,仿真研究结果证明该方法取得了预期的建模效果,具有一定的推广实用价值。     

模拟移动床过程的软测量建模仿真研究

模拟移动床色谱作为主要的现代吸附分离技术,近年来在石油化工、精细化工、生物制药、食品加工等领域的复杂混合物分离过程中得到越来越多的应用。模拟移动床系统是一种具有强非线性、强耦合、混杂性、分布参数等特征的复杂工程系统,其建模问题一直受到广泛关注。本文提出用神经网络与遗传算法结合的混合建模方法建立SMB色谱分离过程4区流量与组份纯度的软测量模型。为了解决RBF神经网络训练时隐含层节点数选取无依据,只能依靠反复仿真尝试的问题,提出将混合递阶遗传算法与RBF神经网络结合,建立SMB色谱分离过程软测量模型,以较高的精度实现了SMB组份纯度软测量,通过仿真验证了方法的可行性。     

循环流化床锅炉燃烧过程建模研究

针对具有多维非线性和纯滞后特性的循环流化床锅炉燃烧过程,采用基于PLS学习算法和OLS学习算法的径向基函数(RBF)神经网络进行建模研究。首先通过循环流化床锅炉仿真平台产生用于建模实验的网络训练数据和泛化数据,然后分别采用OLS算法和PLS算法进行网络训练和泛化研究,最后讨论了影响建模结果的算法参数及其选取方法,重点讨论了PLS算法的4个网络参数的影响和选取。与基于小波网络的建模实验比较,对具有复杂特性的循环流化床锅炉燃烧过程,采用RBF网络建模在保证建模精度的同时,算法参数的选取也较为方便易行。     

基于Bootstrap多神经网络的软测量方法

针对原油蒸馏过程常规软测量模型难以适应原油进料性质变化的问题,提出Bootstrap多神经网络的非线性软测量处理策略.通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多神经网络模型,避免了单个神经网络易于陷入局部最优及过度训练的弱点,具有较高的准确率和泛化能力.本处理策略用于建立常压塔一线干点的软测量模型,仿真结果表明模型预测准确率和鲁棒性较好,对原油性质变化具有较好的适应性.该方法将会改进实际蒸馏过程在进料性质变化情况下的产品质量指标的软测量精度.     

时延神经网络的NOx排放动态建模

针对复杂工业过程中NOx排放参数建模及预测的问题,引入时延辅助变量,将非稳态工业过程中容易测量失真的辅助变量时间信号转化为空间状态。采用径向基函数(RBF)时延神经网络,利用与预测参数相关的辅助变量和时延辅助变量构建NOx排放的动态模型。仿真结果表明:选取重要辅助变量(总燃料量)的时延单元作为时延辅助变量,通过神经网络训练,可以获得包含非稳态燃烧过程丰富特性的参数模型;设定相同条件,与静态模型进行比较。结果表明,动态模型的内部神经元个数明显少于静态模型,模型结构更紧凑,训练时间更短,泛化能力更强。该方法能提高复杂非稳态工业过程热力参数模型的预测精度,具有较高的应用价值。     

BP神经网络在煮糖结晶过程建模的应用

煮糖结晶过程是一个非常复杂的物理、化学过程,其内部机理复杂,各变量间相互耦合,很难建立机理模型.利用神经网络具有逼近任意复杂非线性函数的能力,将神经网络应用到煮糖结晶过程建模中.模型以煮糖结晶过程中糖液的过饱和度为输出,以影响过饱和度的温度,压力和各阀门的开度等等作为网络的输入,采用改进的BP算法,建立了煮糖结晶过程的动态响应模型.给出了模型的结构、网络学习流程图和仿真结果.仿真结果表明,此BP网络模型能较好地解决煮糖结晶过程的建模问题.     

青霉素发酵过程的粒子群模糊神经网络软测量

针对青霉素发酵过程中的基质浓度、菌体浓度、产物浓度等关键生物参数难以在线实时测量的问题,提出了一种基于粒子群模糊神经网络的软测量建模方法.采用模糊径向基函数-神经网络(RBF-NN)构建青霉素发酵的软测量模型,同时,结合改进粒子群优化训练算法(PSO),建立了青霉素反应过程的软测量模型,并对发酵工艺进行了仿真试验研究.仿真试验结果表明,所建立的软测量模型测量精度高、效果好,能够满足工程实际的要求.     

在线变结构模糊神经网络的自适应内模控制

本文提出一种在线变结构补偿模糊神经网络训练算法.该在线变结构算法,使得出的网络结构简单.并且由于该网络引入了补偿模糊神经元,使网络能对模糊规则进行在线的训练.将此算法应用到仿射非线性动态系统和大时滞线性动态系统的内模控制中.仿真结果表明,该方法能有效的控制动态过程,具有较好的自适应性和鲁棒性.