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.     

基于模糊c均值聚类的RBFN的混炼胶粘度在线估计

介绍了将基于模糊c均值聚类(FCM)算法的多模型建模方法(简称FMM)与径向基函数神经网络(RBFM)相结合，先用FCM算法将训练集聚类，再用隶属度将子模型的输出结合起来，从而完成软测量模型的建立。这种方法不仅增强了在对象的整个输入空间的预测精度，同时减少了隐层节点数目，加快了学习速度。算法仿真表明，所提出的算法是处理橡胶混炼牯度软测量建模的一种很有效的方法。     

基于自适应模糊聚类的神经网络软测量建模方法

提出一种基于模糊聚类的神经网络软测量建模方法．该方法采用数据分组训练、自动确定模糊分类数、在线测量时分类中心自适应修正，降低了计算量，提高了建模精度．将该算法用于步进式加热炉钢坯温度预报的仿真结果表明，它能够解决钢坯温度难以在线测量的问题。     

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。     

软测量技术在打浆过程中的应用

在制浆生产过程中,打浆度是一个很重要的控制参数;针对打浆过程中打浆度难于实时在线测量的问题,建立了一种基于改进BP算法神经网络的软测量模型;首先对实际生产中的原始数据,经过误差剔除及滤波处理后得到一套训练数据和校验数据样本,然后采用改进BP算法神经网络进行训练,加快了网络收敛速度。得到了打浆度的非参数模型;实践表明,该打浆度的神经网络模型能对打浆度进行较精确的预测,并为后续进行过程控制和优化控制、提高打浆质量提供了良好的基础。     

基于模糊聚类分析的多模型软测量技术及其应用

提出基于多模型的思路，在软测量技术中采用模糊聚类的方法将数据样本进行分类，用分类建模的方法对不同数据组分别进行基于神经网络的建模。给出了工业仿真实例，取得了满意的效果。     

动态选择性集成神经网络软测量建模

集成建模方法能显著提高软测量模型的预测性能,其中选择性集成通过剔除一些性能不佳的子模型,能进一步提高整体软测量模型预测性能。针对目前选择性集成研究中因忽略了数据间的差异性而导致模型预测性能不佳的问题,提出了一种动态选择性集成神经网络软测量建模方法。首先将原始数据集分为训练集和验证集,采用bootstrap算法对训练集进行差异性扰动,建立了多个神经网络子模型;然后对每个待测样本,采用K-最近邻搜索算法从验证集中找到一个最近邻子集,用该子集评估各神经网络子模型的预测性能,为待预测样本筛选合适的神经网络子模型;最后根据各子模型的预测性能合理分配组合权重,从而建立集成模型,并实现待预测样本的预测。将该建模方法应用于聚丙烯熔融指数软测量研究中,研究结果表明:与单一神经网络、常规全集成和静态选择性集成神经网络模型相比,基于动态选择性集成神经网络的熔融指数软测量模型具有更佳的预测精度。     

自适应神经网络模糊推理系统最优参数的研究

模糊规则的提取和隶属度函数的学习是模糊系统设计中重要而困难的问题。自适应神经网络模糊推理系统（ANFIS）能基于数据建模,无须专家经验,自动产生模糊规则和调整隶属度函数。在建立一个初始系统进行训练时,其隶属度函数的类型、隶属度函数的数日以及训练次数都是待定的,这三个参数的选择直接影响系统训练后的效果,它们的确定方法有待研究。该文应用自适应神经网络模糊推理系统的方法对一个典型系统进行建模仿真,并阐述这三个参数的寻优方法。     

基于T-S模糊系统的软测量混合建模研究

在分析几种模糊系统建模方法的基础上，提出一种简单有效的软测量建模方法．该算法基于变结构构造法模糊建模思想，均匀设计模型的初始结构，以绝对误差为建模指标，通过增加模糊规则来提高T S模糊系统的精度．为降低规则参数辨识的计算量，提高建模速度，将规则参数分为线性和非线性两部分，分别采用Levenberg Marquardt法与最小二乘法进行辨识．实例证明，本文所提出的建模方法规则分布合理，收敛速度快，泛化性能好，适合建立多输入的软测量模型，具有较好的实际应用价值．     

基于PCA-GABP神经网络的BOD软测量方法

针对污水处理过程中关键水质参数无法在线监测的问题．提出基于PCA-GABP神经网络的污水水质软测量方法。该方法由两部分组成：主元分析PCA和GABP神经网络。其中,GABP算法采用局部改进遗传算法优化神经网络权值。并采用自适应学习速率动量梯度下降算法对神经网络进行训练,建立软测量模型。仿真结果表明该软测量模型稳定性好、精度高,可用于污水处理厂对BOD进行在线预测。     

A maximum spanning tree-based dynamic fuzzy supervised neural network architecture for classification of murder cases

In this paper, a hybrid algorithm based on maximum spanning tree and dynamic fuzzy neural network is proposed for classification of murder cases. The proposed classification model of criminal law is useful for judges, lawyers or other people who want to determine the guilt and deliver judgment in their cases. The model is trained and tested for sufficient number of court decisions. The experimental results show that the proposed maximum spanning tree-based dynamic fuzzy supervised neural network algorithm overcomes the problem of slow convergence and large computation caused by artificial neural network and fuzzy neural network algorithms. Comparative studies were carried out for a number of different networks and configurations and reported. Simulations are presented to illustrate the performance of the proposed algorithm.     

两种优化训练的FNN在船舶柴油机故障诊断中的性能研究

本文针对船舶柴油机故障诊断系统,基于遗传算法（genetic algorithm,GA）和蚁群优化算法（ant colony optimization algorithm,ACOA）构造了2种优化训练的模糊神经网络（fuzzy neural network,FNN）智能故障诊断模式,给出了该模糊神经网络智能故障诊断系统的结构及其参数选取方法,通过对船舶柴油机燃烧子系统的FNN模型结构权值和阈值优化训练的故障诊断仿真研究,对两种方式的性能进行对比研究,仿真测试结果表明,基于ACOA的诊断模型具有更好的故障诊断知识表达准确性和较快的收敛速度等特点,具有较好的应用前景。     

一种基于神经网络算法的高精度拟合传感器温度特性曲线的方法

为了有效改善传感器温度补偿特性,提出了基于傅立叶基函数神经网络算法的温度特性曲线拟合模型.分析了算法的收敛性,为学习率的选择提供了理论依据.给出了对掺杂苯的SnO2纳米传感器的灵敏度-温度特性曲线进行拟合的实例.结果表明基于傅立叶基函数神经网络算法的传感器温度特性拟合曲线具有高的光滑性和高的拟合精度(10-6),因而是一种有效的温度特性曲线拟合方法.     

神经网络模糊规则抽取及其应用

从功能的观点出发,提出了一种基于粒子群优化算法的神经网络模糊规则抽取方法。该方法利用所要抽取模糊规则的表达形式,设计了规则的粒子三段表示方式,在粒子群算法优化过程中,采用两种更新方法,即离散化方法和连续化方法。该方法不依赖于具体的网络结构和训练算法,可以方便地应用于各种回归型神经网络。仿真实验表明,该方法可以抽取出保真度较高的符号规则。在实际应用中,采用模糊规则抽取算法,从丙烯腈反应器软测量模型中所得到的规则,提供了一种参数调节的指导性策略。     

基于模糊免疫算法的溶剂脱水塔软测量

在实数编码免疫算法的基础上引进了模糊控制技术,对免疫算法中的两个关键参数实现了模糊自适应调整,很好地解决了基本免疫算法中收敛精度低和寻优速度慢的缺点。模糊免疫算法被用于优化BP神经网络的结构和参数。结果表明,不但网络的结构得到控制,而且泛化性能有了较大的提高;同时,算法在优化神经网络上的有效性也在溶剂脱水塔醋酸浓度软测量建模中得到很好地证实。     

一种基于聚类的超闭球模糊神经网络

针对一类不确定非线性多输入多输出复杂系统,根据系统的输入输出数据对,提出一种基于聚类的超闭球模糊神经网络系统．该系统通过改进的模糊聚类方法（FCM）确定模糊规则数,采用高维隶属度函数取代常规的单维隶属度函数,并对隶属度函数中心值和隶属度函数参数采用一步通过算法,所提方法可降低系统的模糊规则数,简化网络计算．此外,当系统的输入输出发生变化时,可实现模糊规则库的在线修改．仿真实例验证了所提方法的有效性．     

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。     

非线性系统模糊神经网络变结构自适应控制

在非线性系统的模糊动力学模型基础上,提出一种模糊神经网络变结构自适应控制器;网络的结构根据非线性系统特性动态构成,基于该网络提出非线性预测器,基于梯度法提出了一种网络参数学习算法,并分析了收敛性及其性质。将网络预测器与参数学习算法相结合,构成自适应控制算法,证明了算法的收敛性。仿真结果证实了算法的有效性。     

Real-coded chaotic quantum-inspired genetic algorithm for training of fuzzy neural networks

In this paper, a novel approach to adjusting the weightings of fuzzy neural networks using a Real-coded Chaotic Quantum-inspired genetic Algorithm (RCQGA) is proposed. Fuzzy neural networks are traditionally trained by using gradient-based methods, which may fall into local minimum during the learning process. To overcome the problems encountered by the conventional learning methods, RCQGA algorithms are adopted because of their capabilities of directed random search for global optimization. It is well known, however, that the searching speed of the conventional quantum genetic algorithms (QGA) is not satisfactory. In this paper, a real-coded chaotic quantum-inspired genetic algorithm (RCQGA) is proposed based on the chaotic and coherent characters of Q-bits. In this algorithm, real chromosomes are inversely mapped to Q-bits in the solution space. Q-bits probability-guided real cross and chaos mutation are applied to the evolution and searching of real chromosomes. Chromosomes consisting of the weightings of the fuzzy neural network are coded as an adjustable vector with real number components that are searched by the RCQGA. Simulation results have shown that faster convergence of the evolution process in searching for an optimal fuzzy neural network can be achieved. Examples of nonlinear functions approximated by using the fuzzy neural network via the RCQGA are demonstrated to illustrate the effectiveness of the proposed method.     

基于BP神经网络的模糊参数辨识

提出一种与TSK模糊模型相似的模糊模型—M-2模型,证明了M-2模型与一个4层前向神经网络是等价的,在此基础上提出基于BP神经网络的模糊模型参数辨别算法,即通过BP神经网络对样本数据的学习,直接从样本数据获取模型参数,建立M-2模糊模型,通过仿真实例验证了该算法的有效性。