助剂配送系统在长车印染企业的改造应用

为提高助剂配送系统在长车印染企业的生产稳定性,在传统助剂配送系统结构的基础上,提出了输送动力改造方案及"一用一备"加料缸设计。同时针对不同助剂提出不同的输送技术方案。实际使用效果表明,通过以上改造,助剂配送系统可充分满足长车生产过程中的助剂加料需求。     

杭州开源电脑技术有限公司-助剂集中自动配送系统

<正>杭州开源电脑有限公司研制的助剂集中自动配送系统可有效控制生产过程工艺参数,准确统计生产中助剂消耗量,可使白坯的毛效、白度、光泽等效果更佳,改善了挡车工的劳动强度和工作环境,最终可以达到节约助剂成本、减少用工、提高助剂配送效率和清洁生产的目的。可以广泛应用于印染前处理、后整理车间。     

神经网络建模及其在食品包装机械中的应用

针对液压伺服系统的强非线性，提出了一种神经网络建模方法。在系统反馈输入信息的基础上，构造一样条函数和常数作为神经网络的输入量，以扩充网络输入量矩阵，使用传统BP算法离线训练网络，得到神经网络模型。应用于食品机械液压伺服系统的建模结果表明，所提出的神经网络模型训练过程收敛速度较快，模型精度高，可有效避免网络陷入局部最优值，而且不需要更多的系统信息。     

BP神经网络预测废水处理过程的研究

通过在实验室条件下进行追纸废水处理试验取得的数据对BP神经网络进行训练，建立了造纸废水处理过程的网络模型。该网络模型仿真实际废水处理过程的结果表明，BP神经网络具有很强的学习能力。利用BP神经网络模型实现了对造纸废水处理过程的预测，平均相对误差为19％，表明网络泛化能力不是很好。经过动态训练的BP神经网络模型能够比较准确的预测造纸废水处理过程，平均相对误差为1．9％，大大优于未经动态训练的网络模型。     

基于BP人工神经网络的纱线强度CV值预测研究

研究基于BP人工神经网络的纱线强度CV值预测问题。以棉纤维的七项品质指标作为输入参数,以纱线的强度CV值指标作为输出参数,通过使用28组数据分别进行网络模型训练,最终选定纱线强度CV值的模型结构进行预测,验证了BP人工神经网络模型的预测精度。     

基于神经网络的生鲜水产品货架期预测模型的构建及应用

为建立一种能够同时适用于多种新鲜水产品货架期的预测模型,采用反向传播(BP)神经网络模型、遗传算法(GA)优化的BP神经网络模型(GA-BP)、径向基函数(RBF)神经网络模型、极限学习机(ELM)神经网络模型和支持向量回归机(SVR)模型分别对金枪鱼、三文鱼、大菱鲆和鲷鱼的货架期进行预测,寻找最优的模型预测结果。首先通过试验获得4种水产品在0,4,10 ℃贮藏条件下的感官评分、菌落总数、挥发性盐基氮值、K值、pH值,构建训练样本和测试样本。经相关性分析,选择与水产品货架期相关性较高的感官评分、菌落总数、挥发性盐基氮值、K值作为模型的输入层单元,然后确定各模型的网络拓扑结构以及参数,进行模型的训练,最后使用训练好的5种模型对测试样本的货架期进行预测。结果表明:5种预测模型的预测精度排序为:SVR模型>RBF神经网络模型>GA-BP神经网络模型>ELM神经网络模型>BP神经网络模型,其中BP神经网络模型的预测精度最差,均方误差(MSE)为9.5127×10-4,平均绝对误差(MAE)为0.0197,平均绝对百分比误差(MAPE)为0.0825,R2为0.9766;SVR模型的预测精度最优,预测误差均在12%以内,MSE为2.2971×10-4,MAE为0.0128,MAPE为0.0631,R2为0.9944,能够很好地同时预测4种水产品在不同储藏温度下的货架期。本研究为水产品的品质控制提供一定的理论基础。     

热连轧轧制力贝叶斯神经网络预测与模型优化

采用贝叶斯神经网络预测精轧轧制力,从实测数据中抽取出700组数据作为样本集,其中610组数据作为训练样本,用于网络模型的训练,剩余的90组数据作为测试样本。选取C、Si、Cu、Mn含量,轧件出口厚度,入口厚度,轧件宽度,轧制时间,压下率以及轧制温度作为输入层神经元数,轧制力为输出层神经元。贝叶斯网络轧制力预测误差基本分布在[-200,200],比传统计算误差大为减小。采用乘法网络进行轧制力的预测模型优化,优化后预测误差为正态分布,误差基本分布在-4%~6%,误差为0的样本数能达到20%,误差在±2%之内的样本数能达到70%,预测精度比加法网络稍有改善,比传统网络预测精度大幅提高。     

基于BP神经网络的棉秆重组方材性能预测研究

为了实现对不同热压工艺参数条件下棉秆重组方材力学性能的设计和预测,减少预实验的次数,本文采用正交试验方法进行了棉秆重组方材制备工艺试验,以正交试验数据为样本,利用BP神经网络构建棉秆重组方材主要工艺参数密度、施胶量、热压温度、热压时间与材料力学性能抗弯弹性模量、抗弯强度和顺纹抗压强度之间的关系模型,并利用训练好的模型对材料力学性能进行预测。结果表明:利用网络模型预测出的方材力学性能与实测结果基本相符;在施胶量10%、热压温度180℃、热压时间40min保持不变,密度值为0.6g/cm3、0.65g/cm3、0.7g/cm3条件下压制棉秆重组方材并测试其抗弯弹性模量、抗弯强度和顺纹抗压强度值,网络的预测值与实际测量值的平均误差分别为2.4%、1.94%和7.4%;利用BP神经网络模型预测不同工艺条件下棉秆重组方材的力学性能,能够产生较好的预测结果,可以弥补试验的不足。     

紫外光谱结合化学计量学检测初榨橄榄油掺伪研究

以紫外光谱为技术手段,结合偏最小二乘法和BP人工神经网络2种化学计量学方法建立了初榨橄榄油/混合橄榄油二元掺伪体系的定量预测模型.试验结果表明,2种统计模型定量预测性能良好,偏最小二乘模型的训练集交叉验证均方根误差RMSEcv和预测集均方根误差RMSEP均达到0.011,预测值与真实值相关性达到0.996 2;BP人工神经网络迭代次数为61步,训练集拟合残差为9.684×10-5,网络预测值和真实值相关系数为0.998 3,对于5％以上掺伪比例的油样BP神经网络能够精确地预测.     

锥筒谷糙分离效果的计算机仿真

运用人工神经网络对锥筒谷糙分离效果进行计算机仿真。建立非连续、连续两种喂料方式锥筒谷糙分离效果神经网络模型。应用试验数据对网络进行训练，达到了足够的精度，并对网络进行验证，网络计算值与试验值吻合。     

Artificial neural network modeling and optimization of ultrahigh pressure extraction of green tea polyphenols

In this study, the ultrahigh pressure extraction of green tea polyphenols was modeled and optimized by a three-layer artificial neural network. A feed-forward neural network trained with an error back-propagation algorithm was used to evaluate the effects of pressure, liquid/solid ratio and ethanol concentration on the total phenolic content of green tea extracts. The neural network coupled with genetic algorithms was also used to optimize the conditions needed to obtain the highest yield of tea polyphenols. The obtained optimal architecture of artificial neural network model involved a feed-forward neural network with three input neurons, one hidden layer with eight neurons and one output layer including single neuron. The trained network gave the minimum value in the MSE of 0.03 and the maximum value in the R² of 0.9571, which implied a good agreement between the predicted value and the actual value, and confirmed a good generalization of the network. Based on the combination of neural network and genetic algorithms, the optimum extraction conditions for the highest yield of green tea polyphenols were determined as follows: 498.8 MPa for pressure, 20.8 mL/g for liquid/solid ratio and 53.6% for ethanol concentration. The total phenolic content of the actual measurement under the optimum predicated extraction conditions was 582.4 ± 0.63 mg/g DW, which was well matched with the predicted value (597.2 mg/g DW). This suggests that the artificial neural network model described in this work is an efficient quantitative tool to predict the extraction efficiency of green tea polyphenols.     

遗传算法结合反向传播算法神经网络优化党参多糖的提取工艺

目的 通过遗传算法结合BP(Back Propagation)神经网络,与正交试验结果作对比,优化党参中粗多糖的提取工艺。方法 以党参多糖的提取得率为指标,采用三因素(提取次数、提取时间、料液比)优化BP神经网络模型参数,并建立网络模型,再利用遗传算法对网络进行目标寻优,获得党参多糖的最佳提取工艺。结果 得到的最优提取工艺为提取次数3次,提取时间2 h,加水量为10倍,在此条件下党参多糖得率预测值为55.29 mg/g,和实际测量值的相对误差仅为1.10% ,具有较好的网络预测性。本方法无需复杂的实验过程,就可以快速得到最优的提取条件,且所得的党参多糖提取率较正交试验最优工艺所得的党参多糖提取率高出5.42%。结论 利用遗传算法结合BP神经网络算法对党参提取粗多糖的提取工艺进行优化快速、高效、可行。     

基于遗传神经网络的郫县豆瓣有机酸提取工艺研究

针对郫县豆瓣有机酸最佳提取工艺问题,提出了一种高精度遗传神经网络优化方法,解决回归分析方法拟合度精度和准确性不高的现象。以郫县豆瓣有机酸提取量为性能指标,用中心组合试验数据训练遗传神经网络,当神经网络训练误差达到1.1862×10^-11时,神经网络算法输出数据与试验数据几乎完全拟合,平均相对误差为0%,而回归模型为0.822%,对比分析得出遗传神经网络算法的拟合精度和拟合优度均高于回归模型。用训练好的遗传神经网络算法对郫县豆瓣有机酸提取工艺条件进行优化,得到最佳提取工艺条件为:乙醇体积分数68.50%,料液比1∶20.44(g/mL),超声时间35.28min。此时有机酸提取量达到最大值15.19mg/g。该方法可为郫县豆瓣有机酸提取工艺提供试验参考,为制定更加完善的产品质量标准提供了数据支撑。     

Extraction of pepsin-soluble collagen from grass carp (Ctenopharyngodon idella) skin using an artificial neural network

A multilayer feed-forward neural network trained with an error back-propagation algorithm was used to evaluate the effects of pepsin amount, reaction time and pH on the yield of pepsin-soluble collagen. A positive correlation was observed between the yield and the amount of pepsin and also the reaction time. The yield increased with an increase of pH to nearly 3, thereafter yield decreased. The trained network gave a regression coefficient (r²) of 0.97 and a mean squared error (MSE) of 0.21, which implied a good generalisation of the network. Based on the genetic algorithm, the optimal extraction conditions to obtain the highest yield were determined to be pH 3.4, 53.3 unit/mg of pepsin and 35.2 h. The predicted yield value was 30.3%. As the estimated optimal extraction conditions were used in the actual preparation of the pepsin-soluble collagen, the yield was measured experimentally to be 29.3 ± 0.8%, which was not significantly different (p > 0.05) from the predicted value. The response surface plots showed the yield of pepsin-soluble collagen as a function of two factors under various extraction conditions.     

Optimization of tyrosinase inhibition activity of ultrasonic-extracted polysaccharides from longan fruit pericarp

Various ultrasonic conditions were employed to prepare polysaccharides from longan fruit pericarp (PLFP) and the Lineweaver–Burk equation was then used to determine the effect of PLFP on inhibition of tyrosinase activity. This result showed that PLFP acted as a non-competitive inhibitor of tyrosinase. The highest slope was observed for ultrasonic extraction, followed by the hot-water extraction, suggesting that the ultrasonic treatment of PLFP increased the inhibition of tyrosinase activity. Furthermore, a multilayer feed-forward neural network trained with an error back-propagation algorithm was used to evaluate the effects of ultrasonic power, time and temperature on the slope value. The trained network gave a regression coefficient (R²) of 0.98 and a mean squared error (MSE) of 0.58, implying a good agreement between the predicted value and the actual value of the slope, and confirmed a good generalization of the network. Based on the artificial neural network-genetic algorithm, the optimal ultrasonic extraction conditions to obtain the highest slope value (154.1) were determined to be 120 W, 12 min and 57 °C. Application of response surface plots showed the slope value as a function of every two factors under various ultrasonic extraction conditions, which can be observed directly. Therefore, the artificial neural network provided a model with high performance and indicated the non-linear nature of the relation between ultrasonic conditions and slope value.     

响应面法优化竹叶香豆素提取工艺

为优化竹叶香豆素的提取工艺。在单因素试验基础上,进行四因素三水平的中心组合试验,用软件Design-Expert 8.0.1拟合响应值与影响因素的关系得到模型方程,分析模型方程得出提取香豆素最佳工艺:乙醇体积分数43.75%、提取温度80℃、提取时间50 min、液料比20︰1(mL·g^-1)。经验证,竹叶香豆素得率的试验值1.785 mg/g和预测值1.870 mg/g的相对误差为4.54%,说明模型可靠性高,运用响应面法优化竹叶香豆素的提取工艺条件的方法具有可行性。     

基于MIV-BP神经网络的成品烟丝质量预测模型构建

目的：构建卷烟制丝过程成品烟丝质量模拟预测模型。方法：使用平均影响值法（the Mean Impact Value, MIV）对制丝加工过程工艺参数进行筛选,然后通过反向传播（Back-Propagation,BP）神经系统构建起制丝关键工艺参数和成品烟丝质量的模拟模型。结果：通过模拟数据与实测数据比较,填充值的模拟预测平均相对误差为3.16%;整丝率的模拟预测平均相对误差为0.67%;碎丝率的模拟预测平均相对误差为5.33%。结论：该模型预测值与实测值之间相对误差较小,精确性高,该模型适用于卷烟制丝生产过程工艺参数仿真优化。     

基于神经网络的烟丝填充值预测模型研究

填充值是烟丝的一项重要物理指标。在卷烟制丝生产中,叶组配方和工艺流程一般较为固定,所以制丝工艺参数对烟丝填充值的影响更为直接、突出,但工艺参数对填充值的影响为非线性的,难以根据工艺参数直接推算出烟丝填充值。针对此问题,选取了7个影响较大的工艺参数,采用BP神经网络对7个工艺参数和烟丝填充值间的数量关系进行了初步建模。通过BP神经网络设计和大数据量的训练后,该模型具备了通过工艺参数预测烟丝填充值的能力,预测结果的相对误差为4%左右,这为工艺参数和填充值之间的相互调整提供了理论依据和仿真方法。     

卷烟制丝环节关键工序水分预测模型的建立与检验

以卷烟制丝环节的松散回潮工序、加料回潮工序、热风润叶工序以及制丝全线为研究对象,利用人工神经网络及多元回归建模方法,考察不同建模方法对各工序水分预测精度的影响,并对其进行运行测试。结果表明:松散回潮工序水分预测选择多元回归方法建模,其预测误差绝对值的均值为0.24%;加料回潮工序水分预测选择人工神经网络方法建模,其预测误差绝对值的均值为0.20%;热风润叶工序水分预测选择人工神经网络方法建模,其预测误差绝对值的均值为0.10%;制丝全线水分预测选择人工神经网络方法建模,其预测误差绝对值的均值为0.05%;模型运算系统基于C#语言开发,使用SQLSERVER数据库存储数据;开发的模型运算系统具有很强的数据分析能力和生产预测能力,可用于卷烟制丝环节各关键工序的水分预测。