基于小波神经网络的循环冷却水腐蚀预测研究

利用某石化企业40个月的循环冷却水实际生产数据,基于小神经网络进行了腐蚀预测研究。经过对比分析,得出了小波神经网络预测精度最高的网络模型为6-7-1结构。在相同输入参数向量下,对含有相同隐层节点个数的小波神经网络和BP神经网络进行腐蚀预测对比,小波神经网络比BP神经网络预测精度高。     

一种简单的BP网络隐层扩展模型及其训练算法研究

为了提高神经网络的预测精度,设计一种动态扩展BP网络隐层的方法,在训练过的BP网络上动态增加一个具有线性激活函数的隐层,用改进的蚁群算法对新增权值进行训练,着重对算法的实现过程及算法分析进行论述.设计了算法改进前后用BP网络对催化剂活性进行预测的对比实验,结果表明,采用该模型及训练算法.可在不影响网络表达能力的基础上提高网络的训练精度及网络的泛化能力.     

三氧化二锑生产神经网络辨识应用研究

研究了三氧化二锑火法冶金反应炉前向多层神经网络的模型建立,及其BP算法,并利用此网络设计实时在线辨识器和神经网络控制器。通过BP算法的学习机构应用于三氧化二锑火法冶金炉,解决了多变量耦合、非线性的系统控制问题。实现了工艺过程的最优化控制。     

人工神经网络软测量仪表延迟时间处理及动态特性研究

采用BP和RBF网络,开发了人工神经网络软测量仪表软件,实现了不可测变量的在线观测。讨论并解决了延迟时间的确定与处理、动态特性的拟合等主要难点问题。利用三层BP网络辨识出非线性对象的延迟时间;采用将输出量引入到多层静态神经网络的入口和对输入数据进行衰减加权的方法,完成对系统动态特性的表征,使所开发的神经网络软测量仪表更真实地反映了系统的静态和动态性能,准确性高且有更好的适应性。     

三氧化二锑生产神经网络辨识应用研究

研究了三氧化二锑火法冶金反应炉前向多层神经网络的模型建立，及其BP算法，并利用此网络设计实时在线辨识器和神经网络控制器。通过BP算法的学习机构应用于三氧化二锑火法冶金炉，解决了多变量耦合、非线性的系统控制问题。实现了工艺过程的最优化控制。     

基于BP神经网络的PID算法研究与应用

针对实际非线性、不确定系统,文章将提出基于BP算法神经网络PID算法,阐述了三层BP网络设计方法。最后用于一个慢变性被控对象进行仿真,结果表明,此控制方法能够有效克服经典PID控制器在被控对象具有非线性、时变不确定性和难以建立精确的数学模型时出现的参数整定不良等问题。     

BP神经网络在橡胶配方设计中的应用进展

对BP神经网络的概念、原理、模型建立、存在的问题及其在橡胶配方设计中的应用进行综述。BP神经网络由输入层、隐层和输出层三部分组成,具有极强的非线性处理、自组织调整、自适应学习及容错抗噪能力,特别适用于研究材料配方与制品性能之间关系的复杂非线性系统特性,在橡胶配方设计中得到广泛应用。     

基于神经网络的电子节气门系统模型参考自适应控制

使用多层感知器神经网络模型来识别和控制非线性电子节气门系统。首先,神经网络模型在不同运行条件下辨识,它代表非线性节气门伺服系统的动态特性。其次,使用油门辨识器网络模型来设计和训练神经网络控制器模型,从而使节气门系统的追踪控制位置遵循参考模型。油门辨识器网络模型用于辅助以离线模式训练的神经网络控制器。神经网络控制器使用相同的输入来进行训练,这些输入被反馈到实际的节气门系统以产生相同的输出。通过调整神经网络控制器的权重和偏差参数,使用自适应算法来减小输出之间的差异。对使用神经网络控制器的节气门控制系统的跟踪控制性能与使用经典自适应PID控制器进行比较。仿真结果表明:采用神经网络控制器可实现跟踪控制,满足控制性能的所有需求。     

一种用于动态化工过程建模的反馈神经网络新结构

提出了一种新的用于非线性动态化工过程的状态集成反馈神经网络结构 (SIRNN) ,并将静态BP网络的训练算法引入到该网络的训练中 .状态反馈、时间序列延迟与集成节点的概念结合在SIRNN结构中 ,使得在用SIRNN建模过程中既可以考虑系统过去更多时刻的状态信息又可以相对降低网络的复杂程度 ,使得网络结构更趋于合理 .将SIRNN对一单输入单输出二阶非线性动态系统建模 ,并与其他反馈神经网络建模效果进行了比较 ,同时对该网络结构进行了抗干扰性检验 ,并对其在多输入单输出系统的应用中进行了尝试 ,结果表明SIRNN结构对非线性动态系统建模具有快速、高效和抗干扰的良好性能     

嵌入岭回归的BP算法及其在软测量中的应用

针对三层神经网络(ANN)最佳隐节点个数难以确定和随着隐节点个数增加ANN模型易出现过拟合等缺点,提出了嵌入岭回归(RR)的误差反传算法(BP).BP-RR根据样本规模自适应确定隐节点个数,并通过BP算法充分提取样本数据信息.然后,针对隐含层输出可能存在的复共线性,采用RR以预测性能为指标,通过进化算法确定最佳岭参数,进而重新确定隐含层与输出层之间最佳的权值和阈值,克服ANN过拟合,建立具有良好预测性能的模型.将BP-RR应用于建立石脑油干点软测量,结果显示,BP-RR模型具有良好的预测性能.与ANN相比,BP-RR模型鲁棒性强,预测精度高.     

自增长混合神经网络及其在燃料电池建模中的应用

为了提高非线性辨识的精度, 提出了一种基于混合算子的自增长混合神经网络。该神经网络通过自增长的混合隐含层结构, 包括加算子和乘算子, 形成神经元个数少、结果精确、增长快速的网络。论文在级联神经网络的结构基础上, 提出GQPSOI算法来引导神经网络的结构自增长以及权值更新。通过对燃料电池的建模与比较分析, 证明了方法的有效性和良好的应用前景。     

递归T-S模糊模型的神经网络

在常规T-S模糊神经网络的基础上加入动态递归元件,提出了递归T-S模糊模型的神经网络。在系统辨识中采用无监督聚类算法和动态反向传播算法训练该递归神经网络的参数,给出了该递归网络的逼近性证明。辨识效果与常规T-S模糊模型作比较,说明递归T-S模糊模型的神经网络在非线性系统辨识中表现出更好的性能。     

前传神经网络规模优化的快速剪枝策略及其应用

对多层前传神经网络规模的优化主要在于确定隐含层的节点数 .本文提出的快速剪枝法从分析网络隐含层的输出信息入手 ,用特征分析法解析地确定冗余而可剪去的隐节点数 ,并一次性地找出优化的隐节点数 ,同时将剪去节点的作用分配到保留的节点上 ,配置结构优化网络的初始连接权 ,以加速网络的训练进程 .这种快速剪枝的解析算法每步都有明确的数学机理 ,不仅优化速度快 ,而且稳定性好 .该算法应用于留兰香油的模式分类问题 ,效果令人满意 ,并显示出良好的健壮性和通用性     

基于Hammerstein-Wiener模型的连续搅拌反应釜神经网络预测控制

针对化工过程中广泛使用的连续搅拌反应釜(CSTR),提出一种基于神经网络的模型预测控制策略,采用分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法,在此基础上建立线性自回归模式〖DK〗(ARX)结构和高斯径向基神经网络串联的非线性预测控制器。利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现一种基于支持向量机Hammerstein-Wiener辨识模型的非线性神经网络预测控制算法。对CSTR的仿真结果表明,该方法能够更有效地跟踪控制反应物浓度。     

基于基团贡献神经网络集成法估算有机物常压凝固点

基于基团贡献法应用人工神经网络对有机物的常压凝固点进行了估算,输入参数为有机物的基团数和表征异构体的参数,输出为常压凝固点.分析了采用最速梯度下降法的BP算法在训练过程中产生误差饱和情况的原因,采用在隐含层节点中加入误差饱和预防函数用来防止误差饱和情况的出现.仿真结果表明,所采用的方法能有效地减小网络在误差表面陷入低谷的可能性和提高网络的收敛速率.采用神经网络集成法建立了神经网络集成模型,通过仿真合理选择隐含层节点数和采用交叉验证法用于防止BP网络的过度训练,增强了网络的泛化能力.估算结果表明,所建立的神经网络集成模型,其网络有良好的稳定性和预测精度,207个样本估算的绝对平均相对误差为8.62%.     

基于改进聚类算法的RBF网络及其应用

RBF网络可以逼近任意连续非线性函数,且训练速度快,性能好,被广泛应用于过程建模和预测。RBF网络的一个重要因素是隐层节点的选择,隐层节点过多或过少都会影响最终网络的性能。提出一种改进的k-means聚类算法,可以自动确定最优的聚类区数,并且可使最终的聚类中心合理地分布在数据空间中。在应用RBF网络进行建模和预测时,采用该方法确定隐层节点的中心,跟用通常的聚类方法相比,可以大大减小网络规模。仿真和实际应用结果都证明该方法的有效性。     

基于Sigmoid函数参数调整的双隐层BP神经网络的板形预测

提出一种改进的BP神经网络处理板形缺陷数据的方法,建立双隐层BP神经网络模型,并对Sigmoid激活函数的形状进行调节。将其应用到冷轧的板形缺陷识别中,与利用Levenberg-Marquardt规则训练的BP神经网络预测结果作对比,表明该方法不仅有效地减少双隐层BP网络的学习时间,同时改善了网络的泛化能力,有利于板形缺陷在线识别。     

一类化工过程多变量系统的自适应非线性预测控制

针对化工过程的一类多变量非线性系统,提出了一种自适应非线性预测控制(ANMPC)算法。在采用递归最小二乘法进行预测模型参数在线辨识的基础上,将系统的静态非线性关系用一个反向传播(BP)神经网络稳态模型来表示,通过稳态模型求得的动态增益来进一步校正预测模型的参数。详述了ANMPC控制器设计步骤,通过在一个多变量pH中和过程中的仿真验证了本算法的可行性和有效性。     

基于BP神经元网络优化电火花加工参数

基于BP神经网络模型对用电极(铜Cu)-材料(模具钢NAK80)电火花加工系统的一组参数进行了优化.计算结果表明,减少输入层神经元的数量可以加快收敛速度,但计算精度将受到影响.若保持隐层结构,仅由不同训练函数的学习结果改变权系数(映射)实现网络结构优化,则可能较好地预言加工效果.     

基于BP神经网络的层状矿床采空区稳定性评价研究

层状矿床采空区稳定性的影响因素和方式有其固有特点,有必要系统地研究层状矿床采空区的稳定性并建立评价模型。根据BP神经网络原理,系统梳理了典型矿山采空区稳定性计算与评价案例,结合部分矿山设计实例,选取影响采空区的3类主要因素中的岩石抗压强度、采场暴露面积及采场跨度等9项评价指标。利用MATLAB神经网络工具箱,以选取的9个影响因素作为神经网络输入层,设立稳定、基本稳定、不稳定和极不稳定4个等级作为神经网络输出层;该网络允许最大训练步数为1 000步,训练目标最小误差为0.001,选取单隐层网络对所构建的20个样本数据进行训练测试,从而建立了BP神经网络层状矿床采空区稳定性评价模型。并以某层状铁矿采空区为例,应用训练好的BP神经网络模型对其稳定性进行预测评价,其预测结果与实际情况相符,验证了BP神经网络的有效性。