基于改进KH-ANFIS 的海洋溶菌酶发酵过程软测量

针对海洋溶菌酶（Marine Lysozyme,ML）发酵过程菌体浓度在线检测难以实现,离线测量不能反映发酵过程当前变化等问题,提出了一种基于改进磷虾群—自适应模糊神经网络软测量（HLKH-ANFIS）建模方法。首先利用自适应莱维飞行策略对传统KH进行改进,从而提升算法的全局搜索能力;同时利用跳变技术（HOT）对KH算法位置更新公式进行改进,提高算法的局部寻优能力,然后利用改进的KH算法对自适应模糊神经网络反馈进行优化,改善其过度修正和计算量大的问题;最后建立基于HLKH-ANFIS的海洋溶菌酶发酵过程菌体浓度软测量预测模型,仿真分析表明：相较于KH-ANFIS预测模型,HLKH-ANFIS模型的误差较小,具有更好的预测能力,能够满足ML发酵关键参量的在线预测需要。     

改进的PSO-FNN在发酵软测量中的应用

针对发酵过程中一些难以或者无法在线测量的关键物化参数和生物参数等变量,提出了改进的PSO-FNN软测量建模方案。通过改进的粒子群优化算法(PSO)寻优算法与模糊神经网络(FNN)相结合,建立发酵过程的软测量模型,再结合实际数据进行仿真研究。仿真结果表明,与传统PSO-FNN软测量相比,改进的模型测量精度更高,可以满足实际工程中的要求。     

发酵过程的建模与优化方法研究

对于发酵这样一个复杂的非线性动态过程,由于在线传感器的缺乏,使得过程中的一些重要状态变量难以在线测量,从而给发酵过程的优化控制带来了极大困难。为此,提出了一种新型的动态网络—递归补偿模糊神经网络方法,实现对发酵过程的建模和状态估计,结果表明该网络能够较为准确地拟合过程的动态特性。进一步采用改进的蚁群算法来对发酵过程的控制变量进行优化,使发酵的产物产量得到提高。该方法应用于多粘菌素的发酵生产过程中,实现了状态变量的在线预估与控制变量的在线优化。     

基于回归神经网络自适应快速BP算法

动态递归网络Elman网络结构简单，运算量少，适合于实时系统辨识。以Elman网络结构推导了在线学习算法。针对于传统BP算法会产生局部收敛和收敛速度慢等缺点，提出了一种改进的自适应BP算法，运用到回归神经网络，提高了在线学习的速度与收敛速度，仿真实验表明了此算法的有效性和快速性。     

发酵过程的多模型融合建模算法

提出了利用多模型融合技术进行发酵过程建模的新方法， 该方法能够将在线参数和离线参数同时用于建模中． 首先给出了多模型融合建模算法框架， 并描述了基于自适应模糊神经网络和模糊推理技术两个参与融合的子模型的建立方法. 采用三个非线性函数分别运用GMDH-PTSV算法、傅里叶神经网络和多模型融合建模算法进行建模精度比较. 最后给出了多模型融合建模算法在青霉素发酵过程中应用的结果．     

基于改进CS-BPNN的松茸发酵过程软测量建模

针对松茸发酵过程中关键参量难以实时在线检测的难题,提出了一种基于改进布谷鸟算法（CS）与改进BP神经网络（BPNN）相结合的松茸菌丝生物量软测量建模方法。首先采用两阶段动态发现概率法对传统CS进行改进,平衡CS的全局搜索与局部搜索能力;然后引入附加动量和动态调整学习率对BPNN进行改进,提高BPNN参量的修正精度;最后,通过CS算法获取BPNN的初始权值和阈值,并由权值修正公式（附加动量与动态学习率相结合）对权值进行动态修正。仿真结果表明,改进的CS-BPNN软测量模型在预测精度提高了6%以上,能够实现松茸发酵过程实时在线测量的需求。     

神经网络在线投影算法及非线性建模应用

针对神经网络难以在线学习的缺点,把神经网络当作结构已知的非线性系统,权系数的学习看成非线性系统的参数估计,基于新估计准则的非线性系统在线参数估计投影算法,给出前馈神经网络的一种在线运行投影学习算法.理论上证明该算法的全局收敛性,讨论算法参数的物理意义和取值范围.通过2个非线性时变系统的神经网络建模应用的仿真,验证算法的全局收敛性和在线运行能力.     

基于SSH框架神经网络建模在发酵过程中的应用

发酵过程中的一些关键生物参数难以实时在线测量,融合人工智能技术和面向对象的编程技术,设计并实现了一种基于Web的建模系统,集成各种神经网络及其优化算法对生物参数进行建模预估.利用Eclipse的开发平台,使用轻量缓框架,分离了表示层、业务逻辑层和数据持久层,在业务逻辑层对神经网络算法进行了实现,并完成了Java与Matlab的交互.该系统可用于实际的软测量建模,还可用于对不同建模方法的分析、比较.对赖氨酸发酵过程的实际应用效果验证了软件的有效性和可行性.     

航空发动机模型参考自适应控制

针对航空发动机数学模型的复杂、多变,建立了以Elman反馈神经网络为基础的模型参考自适应控制系统.为提高控制系统的响应性能,神经网络控制器和辨识器同时采用动态Elman网络,利用动态反向传播(DBP)算法实现参数的在线调整和辨识,并利用李雅普诺夫函数对算法的收敛性进行了证明.采用某涡喷发动机的地面模型和高空模型作为控制对象进行了大量的仿真研究;结果表明:此控制系统具有自适应能力强、响应速度快、稳态误差小等优点;理论分析与仿真结果一致,证明算法和结果是正确有效的,对复杂动态系统控制具有参考价值.     

发酵过程在线仿真与优化

采用一种独特的计算机在线仿真方法,实现发酵生产过程在线建模与优化。     

质子交换膜燃料电池的神经网络建模与控制

该文从设计质子交换膜燃料电池（PEMFC）控制方案的角度出发，首先提出了采用Elman动态神经网络对PEMFC系统进行建模的新方法，以实验中采样到的PEMFC系统的工作温度输入输出数据训练网络，并采用动态反向传播学习算法根据误差不断调整网络参数直至达到要求精度；Elman神经网络辨识可使辨识过程简化并提高了辨识精度。然后在此基础上设计了自适应模糊神经网络控制器。最后的仿真实验以Elman神经网络模型为参考模型，使用自适应神经网络控制算法控制PEMFC的工作温度，取得了较好的控制效果。结果显示所设计的控制系统适合于控制PEMFC这样一类复杂非线性系统。     

基于改进Elman网络的软测量建模方法

针对静态前馈网络和Elman网络在软测量建模中的不足,提出了一种新的改进的Elman网络模型,并将此模型应用于精馏塔出口成分含量的软测量建模中。实验模拟结果表明：改进的Elman网络模型具有更高的预测精度和较快的收敛速度,能够更好地实现精馏塔出口成分含量的软测量建模,为进一步实现产品质量控制提供了保证。     

PIN型Elman网络及在动态系统辨识中的应用研究

首先介绍普通改进E lm an动态递归神经网络的结构,重点讨论一种具有P ID特性的E lm an神经网络及其学习算法,并将改进E lm an网络和P ID型E lm an网络分别用于动态系统的辨识.无论是理想的数学模型还是实际工业模型,计算机仿真结果均证明,将P ID型网络用于动态系统辨识具有更好的逼近效果.     

BP神经网络和Elman神经网络在模拟电路故障诊断中的应用

通过分析BP神经网络和Elman神经网络的基本结构和算法,研究了基于神经网络的模拟电路故障诊断方法,并通过仿真实验对比分析了BP神经网络和Elman神经网络的诊断能力。结果表明,BP神经网络的收敛速度相对较慢、训练时间长;Elman神经网络的结构参数调整简单、训练时间短、性能稳定,更适合存在容差、非线性等问题的模拟电路故障诊断。     

新型Elman混沌神经网络的流量预测

根据实际网络中测量得到的网络流量数据,提出一种改进型Elman神经网络模型——季节性输入多层反馈Elman网络。在网络权值的训练过程中引入混沌搜索机制,利用Tent映射的遍历性进行混沌变量的优化搜索,以减少数据冗余,解决局部收敛问题。实验结果表明,该模型及其算法有效提高了网络的训练速度及网络流量的预测精度。     

改进的Elman网络在火工品气动压力机建模中的应用

针对火工品气动压力机在压药过程中表现出的非线性、时变特性,采用了改进的Elman网络——OIF-Elman网络对其进行了动态建模,分析了影响气动压力机压力输出的一些影响因素,并根据实际情况确定了滑动窗式的建模形式。与RBF网络和标准Elman网络相比,改进型的Elman网络具有更好的适应非线性、时变特性的能力,更适用于火工品气动压力机的动态建模。     

季节周期性Elman网络的网络流量分析与应用

针对静态前馈网络和Elman网络在网络流量预测中的不足,建立了一个基于改进Elman神经网络的流量模型,并提出了一种基于季节周期性学习方法,根据实际网络中测量得到的网络流量数据,对网络流量进行预测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性,应用于网络流量预测是可行、有效的。     

Research on using genetic algorithms to optimize Elman neural networks

There is a function of dynamic mapping when processing non-linear complex data with Elman neural networks. Because Elman neural network inherits the feature of back-propagation neural network to some extent, it has many defects; for example, it is easy to fall into local minimum, the fixed learning rate, the uncertain number of hidden layer neuron and so on. It affects the processing accuracy. So we optimize the weights, thresholds and numbers of hidden layer neurons of Elman networks by genetic algorithm. It improves training speed and generalization ability of Elman neural networks to get the optimal algorithm model. It has been proved by instance analysis that new algorithm was superior to the traditional model in terms of convergence rate, predicted value error, number of trainings conducted successfully, etc. It indicates the effect of the new algorithm and deserves further popularization.     

基于动态递归网络的PID自适应控制器的设计与应用

本文分析了改进的ELMAN网络的结构,并讨论了神经网络的学习算法,针对BP算法的缺陷,提出了用遗传算法修正网络权值的学习算法。本文不仅将采用遗传算法进行训练的改进ELMAN网络应用于汽车磷化加热系统的建模,而且针对该系统的特点提出了一种带预测模型的神经网络PID自适应控制器,并最后将该控制器应用于磷化温度控制,取得了良好的控制效果。