基于改进Elman网络的精馏塔建模及仿真

针对前馈网络的不足,提出利用改进的Elman神经网络模型对兰州石化某厂600kt乙烯精馏塔出口成分含量进行建模和预测,并采用主元分析法对高维输入变量进行预处理,以简化网络建模的结构.实例分析表明:改进的Elman神经网络收敛速度快、预测精度高,能够更好的实现对乙烯精馏塔出口成分含量的建模和预测.     

基于改进RBF网络的乙烯纯度软测量建模方法

对兰州某石化厂乙烯精馏塔产品质量进行了软测量建模研究,针对经典RBF神经网络建模时存在的问题,提出了一种改进的RBF网络结构,增加了从输入直接到输出的线性环节,应用最近邻聚类和最陡下降法训练改进后的网络,实验结果表明改进后的网络具有较好的网络性能,适用于乙烯精馏塔产品质量的软测量建模和预测.     

基于Elman神经网络的化工过程软测量建模方法

针对软测量建模问题,提出了一种基于Elman神经网络的软测量建模方法。将该方法应用于脱丁烷塔底部丁烷组分含量以及硫回收装置尾气中SO_2和H_2S含量的软测量建模,分别采用BPTT算法、RTRL算法和EKF算法对Elman网络进行训练。在同等条件下,通过与传统的梯度下降算法以及其他软测量建模方法对比表明,EKF算法能够获得较好的离线估计结果,具有较好的鲁棒性和较快的收敛速度。     

基于滑动时间窗的支持向量机软测量建模研究

提出了一种基于滑动时间窗的最小二乘支持向量机软测量建模方法，并针对某一工业共沸精馏塔成分估计问题，建立了合适的工业软测量模型。介绍了最小二乘支持向量机计算法和滑动时间窗的建立。并利用滑动时间窗内的数据进行系统的在线优化和周期性模型更新，提高了工业软测量模型的在线估计精度。研究结果表明，LS—SVM是一种有效的软测量建模方法。     

基于贝叶斯网络的软测量建模方法

软测量技术对化工生产过程中提高产品质量和保证安全生产具有重要的作用,因此对化工软测量建模方法的研究具有重要意义.本文将贝叶斯网络应用于化工软测量建模,采用高斯混合模型来近似表达贝叶斯网络模型中的联合概率分布,通过Expectation Maximization算法求解出高斯混合模型参数并给出了贝叶斯网络估计公式.应用此法分别对某炼油厂脱丁烷塔塔底丁烷含量和某双酚A生产过程中脱水塔出口组分苯酚含量建立了软测量模型,取得了良好的离线估计结果.仿真结果表明,与支持向量机相比,在估计精度相当的情况下,省去了许多过程参数的估计,是1种有效的软测量建模方法.     

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.     

分布式RBF神经网络及其在软测量方面的应用*

本文首先改进了竞争学习算法，并且在此基础上提出了递阶聚类的思想，然后利用这种思想得到了一种分布式ＲＢＦ（Ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ）神经网络。文章最后将这种网络应用于建立精馏塔成分估计的软测量模型。利用精馏塔的现场操作数据进行仿真，效果很好。     

基于改进的Elman神经网络的网络流量预测

在Elman神经网络的基础上提出了改进的网络,根据实际网络中测量的网络流量数据,建立了基于Elman神经网络的流量模型,分别用Elman神经网络和改进的Elman神经网络对实际网络流量进行预测,仿真实验结果表明,改进的Elman神经网络具有良好的预测效果,改进的Elman神经网络具有更高的预测精度和更好的动态性能.     

软测量技术在DeltaV DCS上的实现和应用

针对丁二烯生产装置精馏塔塔顶控制回路存在的问题,建立了软测量模型,并设计了串级推断控制回路。利用从集散控制系统采集的大量现场数据,运用基于多元线性回归方法的软测量建模技术,建立了塔顶中丁二烯产品纯度的软测量模型,实现了产品质量闭环控制。通过DeltaV DCS系统实现控制回路的改造。实际使用证明,该软测量模型具有良好的特性,较高的估计精度和实时性;塔的控制更加平稳,节约了能耗,具有较好的经济效益。     

软测量技术在DehaV DCS上的实现和应用

针对丁二烯生产装置精馏塔塔顶控制回路存在的问题，建立了软测量模型，并设计了串级推断控制回路。利用从集散控制系统采集的大量现场数据，运用基于多元线性回归方法的软测量建模技术，建立了塔顶中丁二烯产品纯度的软测量模型．实现了产品质量闭环控制。通过DeltaV DES系统实现控制回路的改造。实际使用证明，该软测量模型具有良好的特性，较高的估计精度和实时性；塔的控制更加平稳，节约了能耗，具有较好的经济效益。     

改进型Elman神经网络发酵过程建模研究

依据发酵过程的机理和改进的Elman神经网络动态建模原理,提出了一个新的发酵过程建模分批训练算法。通过发酵过程仿真实验,与传统的BP建模算法比较,改进的Elman神经网络建模算法具有收敛速度快、泛化能力强等特点。此外,利用该算法编制的软件可以内嵌到发酵过程监控系统中,实现发酵过程在线建模与状态参量的在线预估。     

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。     

基于Elman网络的时延预测及其改进

分析了网络传输时延的组成和特点,提出了利用Elman神经网络预测网络传输时延,运用Matlab软件对其预测进行仿真,结果证明Elman神经网络能很好地预测网络时延,为了进一步提高神经网络的逼近能力和动态特性,提出了一种改进的基于输入层、隐藏层、输出层神经元的动态递归神经网络。实验证明,改进的Elman神经网络比原来的网络具有更好的动态性能。     

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。     

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.     

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神经网络的网络流量预测

针对网络系统非线性、多变量、时变性等特点,提出一种改进的Elman神经网络模型。在该模型的训练过程中引入了季节周期性学习方法,并对某高校主干网络出口流量进行实验检测。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。最后,通过自适应边界值方法进行检测,能够及时发现异常流量行为,说明该模型应用于网络流量预测是可行、有效的。     

基于SVM的软测量建模

支持向量机(Support Vector Machines)是一种基于统计学习理论的新型学习机，本 文提出用支持向量机建立软测量模型．理论分析和仿真研究表明，该方法学习速度快、跟踪 性能好、泛化能力强、对样本的依赖程度低，比基于RBF神经网络的软测量建模具有更好的 推广能力．     

一种引入混沌机制的新型Elman网络及其应用

针对一大类未知、时滞、高阶非线性动态系统的建模问题,提出了一种新的改进Elman网络模型——HF Elman,在Lyapounov稳定意义下证明了网络的稳定性,并在网络权值的训练过程中引入了混沌搜索机制,利用混沌固有的全局游动性有效地消除了Elman网络易陷入局部极值的缺点,改善了网络的学习性能。仿真结果表明,新的模型及算法有效提高了网络的训练速度及乙烯质量指标的预测精度。