基于RBF神经网络的软仪表的开发及在蒸馏装置的应用

通过在我厂蒸馏装置上软仪表的具体使用情况．简单介绍了基于RBF神经网络的软仪表的开发。RBF神经网络的特点、在建模中的应用及RBF神经网络改进后的模型应用。开发软仪表的目的，及在实际使用中时现场生产的指导意义。     

氧化铝浓度软测量技术研究

分析了铝电解生产过程中建立氧化铝浓度神经网络软测量模型的必要性和可行性,根据软测量建模理论建立了采用Levenberg-Marquardt算法的氧化铝浓度神经网络软测量模型.实际应用结果证明了该软测量模型能够有效实现氧化铝浓度的在线检测.     

软仪表技术发展中的问题

以石油、化工生产为背景，在综合介绍软仪表技术的理论研究和实际应用现状的基础上，认为软仪表作为由可测变量来计算不可测变量的一般方法和技术，是一门需要长期发展的技术；指出可计算性和实时性是建立软仪表的两个基本问题；基于动态机理模型，用观测器方法建立的软仪表，可以较好地适应过程这两个基本要求，是发展方向。     

化工过程动态软仪表技术发展现状及展望

软仪表是解决化工过程中质量变量难以实时测量的有效手段。化工生产是动态生产过程,即产品指标不仅受到操作变量当前值的影响,而且受到变量历史信息的影响。辅助变量时序长度的选择通常依赖工程经验。近年来,以动态神经网络为载体的动态软仪表技术凭借其可以反映过程变量增量间存在的动态关系的能力,成为软仪表建模的重要研究方向。详细介绍了动态软仪表的主要结构与工作原理,重点针对数据高维度、非线性和动态性等复杂过程的动态软仪表发展现状和建模方法进行了综述与分析,并讨论了动态软仪表的在线实现方法,最后对动态软仪表技术发展进行了展望。     

基于PCA的多神经网络软测量模型及其在工业中的应用

在复杂工业生产中 ,影响生产的因素非常多 ,使得用于软测量的神经网络模型极其复杂 .针对这个问题 ,利用主元分析法 (PCA)将影响因素重组 ,在此基础上 ,提出了一种多神经网络 (PCA- MNN)模型 .介绍了 PCA- MNN的结构及学习算法 ,并将其应用于氧化铝高压溶出过程中苛性比值及溶出率的软测量 ,利用现场实际运行数据进行仿真 ,结果表明 PCA- MNN模型能有效实现苛性比值及溶出率的在线检测     

基于神经网络的炼油厂常压蒸馏350℃含量预测

常压塔四线350℃馏出含量是炼油厂常压蒸馏生产过程的重要质量指标,它与常压炉出口温度等多个变量之间存在严重的非线性关系,而且无法实时在线用仪表直接测量。论文提出了基于RBF神经网络的常四350℃含量预报模型,并用计算机软测量方式,对中石化广州分公司常压蒸馏装置(一)的实际数据进行模型验证研究。实验结果表明,该方法速度快,对实际生产具有指导意义。     

神经元网络软测量技术的研究进展

讨论了近年来神经网络软测量技术的一些研究新进展，并介绍了其与控制技术，计算机通信、虚拟仪器及WWW结合的应用实例，目前，在构造软仪表方面，成功地应用于实际生产过程中的神经网络主要有向BP网络和RBF网络，此外还有融合模糊技术的神经网络算法，数据处理仍是一个十分重要的问题，此外，现有的在线校正方法十分有限，应发展更多更新的方法以适应复杂工业系统控制的要求，同时，将软测量技术与系统调优结合起来，变开环指导为闭环控制，使其有更广泛的应用推广。     

RBFNN软测量的嵌入式系统仿真与实现

在基于WinCE操作系统的嵌入式平台上。实现基于RBF神经网络的工业过程软仪表。应用无监督K均值聚类确定聚类中心。用可避免矩阵求逆运算的递推最小二乘法训练网络权值的两阶段学习算法训练网络。进一步构造双重RBF网络结构,用一个RBF神经网络训练样本,用另一个独立的RBF神经网络训练误差提高精度。以嵌入式工业计算机作为硬件平台,在基于WinCE的嵌入式系统上用EVC编程实现。在某炼油厂轻柴油凝固点的工业现场,用该软仪表实测数据进行仿真测试,取得了较好的效果。     

基于连续隐Markov 模型的发酵过程软测量方法

针对生物发酵过程中一些生物参量难以用仪表进行在线检测的问题,提出一种基于连续隐Markov模型（CHMM）的发酵过程软测量建模方法.为减少建模过程的计算量,提出了改进最小分类误差准则,用于CHMM软测量模型参数估计.为避免软测量结果在发酵过程监测与控制实际应用中存在的盲目性,提出了在线评价软测量结果可靠性的可信度评价指标.实验结果表明了所提出方法的有效性以及可信度评价指标的实际意义.     

生物发酵过程中SSVIP-NNI软测量方法

生物发酵过程中关键生化变量难以直接检测,提出了一种利用基于敏感性与特异性的变量投影重要性(SSVIP)方法优化神经网络逆系统(NNI)的软测量方法。根据逆系统理论建立软测量模型,采用VIP变量优选方法,对软测量模型中的辅助变量进行优化。为了进一步提高VIP方法优选变量的性能,利用模型敏感性与特异性的概念,重新定义了VIP筛选阈值,确定最优的发酵过程软测量模型的变量。构造神经网络近似最优逆系统软测量模型,实现对发酵过程中关键过程变量的估计。通过Pensim仿真平台进行实验研究,结果表明经过辅助变量优选的神经网络逆系统软测量模型具有更高的估计精度和泛化能力。     

广义神经网络系统与广义BP算法

本文在传统的神经网络理论基础上,将传统的神经元拓广为广义神经元,描述了以广义神经元为基础的广义神经网络系统的组成原理,提出了适应于广义神经网络系统的一种广义BP算法。并给出了该算法的数学推导,最后简要地介绍了广义神经网络系统原理在汉字识别中的应用。     

基于单输出型神经网络的血细胞分类研究

分别利用BP神经网络与单输出型神经网络对已经得到的血细胞特征参数进行计算,设计出分类器对血细胞进行自动分类识别。单输出型神经网络分类器与BP神经网络分类器相比,具有设计简单、收敛速度快、识别精度高且更加稳健的优点,取得了较好的应用效果。     

在数据库中一种基于QPSO与BP神经网络的重复记录检测算法

在检测数据库重复记录的研究中,基于BP神经网络的检测（Duplicate Record Detection based on BP Neural Network,简称DRDBPNN）算法的性能与初始的参数设置有很大的关系,从而造成其性能不稳定的缺陷,因此本文提出了一种基于QPSO与BP神经网络的重复记录检测算法（Duplicate Record Detection based on Quantum Particle Swarm Optimization and BP Neural Network,简称DRDQPSQBPNN）。仿真表明,该算法能够有效地提升重复记录的检测效率。     

BP神经网络在机器人足球比赛系统中的应用

足球机器人的决策系统是一个多智能体协调控制系统,控制机器人运动需对机器人未来的方位进行实时预测。为了解决RoboCup小型组比赛系统的延迟和准确定位问题,将BP神经网络应用于决策系统的局势预测中。建立了基于BP神经网络的线性预测模型,确定了神经网络的拓扑结构,并将训练好的网络应用于现有比赛系统,预测机器人的就位效率、协调及配合能力,进行仿真实验。实验证明,方法对机器人的位置、方向等预测比较准确,证明了预测算法的可行性和优越性。     

Complex Valued BP NN和Real BP NN 应用于图像复原的比较

该文首先探讨了将ComplexValuedBP神经网络(NeuralNetwork)和RealBP神经网络用于图像复原的优势比较。其次,用图像数据训练网络,再利用训练好的网络实现不同图像的复原。最后,对图像进行像素空间分布的分析来寻找原因。     

BP神经网络应用于孤立词语发音识别的研究

介绍了BP神经网络的学习规则和用于语音识别的基本原理,建立了一个用于常用孤立词语音识别的BP神经网络,选择声道反射系数为语音识别的特征值,建立了网络的训练样本集,对网络进行了训练;用MATLAB进行了识别仿真,表明能较好地实现孤立词语音识别.     

遗传BP神经网络在泥石流危险性评价中的应用

泥石流危险性的评价是地质灾害预测的重要研究课题之一,根据泥石流危险性评价因子,建立了遗传BP神经网络评价模型。模型利用BP神经网络的函数逼近能力,模拟泥石流某些主要评价指标与危险程度之间的非线性函数关系,实现对泥石流危险性的评价。为克服BP神经网络收敛慢、易陷入局部极小、泛化能力差等缺陷,引入遗传算法和对比分析方法优化BP评价网络的权值、阈值和网络结构。实验证明,采用所述方法优化后的BP神经网络的拟合精度、准确度、效率大幅提高,泛化能力也得到增强,该方法可作为解决泥石流危险性评价问题的一种新思路。     

基于Levenberg-Marquardt算法的主机入侵检测系统研究

入侵检测系统是当前信息安全领域的研究热点,在保障信息安全方面起着重要的作用。对BP神经网络优化算法进行对比研究的基础上,利用Lvenberg-Marquardt 算法对传统BP算法进行改进,成功地将LMBP算法运用到基于Windows操作系统的主机入侵检测中去,建立LMBP-HIDS入侵检测系统模型。实验结果表明,运用Levenberg-Marquardt算法优化BP神经网络进行主机入侵检测．可以较好地提高学习速率,缩短训练过程。     

停车诱导系统中车位预测模型的研究

研究城市停车诱导系统的停车车位占有率预测问题.首先提出基于BP神经网络的车位占有预测模型,同时将自适应学习速率调整法和加入动量项方法用于改善基本BP神经网络,优化了学习速率,减少了训练过程的震荡趋势,改善了网络的收敛性.以此为基础实现了停车位的智能预测.最后,进行了多种方法比对实验.     

基于AFSA—BP神经网络的基坑变形预测模型研究

为改善BP神经网络收敛速度慢、初始权阈值对计算结果影响较大且易陷入局部最优等缺陷,为提高模型的预测精度和稳定性,使用具有全局优化能力的鱼群算法优化BP神经网络的初始权阈值,依托工程实例,将BP模型及改进的模型用于基坑变形预测中,通过预测值与实测值进行对比,结果表明：AFSA-BP模型的预测精度要高于BP模型,且预测结果稳定、预测速度较快、预测误差可以满足工程的要求,对于下一步施工具有良好的指导作用,所以AFSA-BP模型是一种有效的基坑变形预测模型。