基于PCA-RBF神经网络的工业烈解炉收率在线预测软测量方法

为了解决工业烈解炉收率在线预测的问题,研究了基于PCA(principalcomponentanalysis)-RBF(radialbasisfunction)神经网络模型的多输出(MIMO)软测量方法及其在线校正技术.该方法由主元分析PCA、RBF神经网络和在线校正3部分组成,可以实现工业裂解炉止率的在线预测,具有实时性好、建模周期短、计算量小、校正方便等特点,本文给出的SRT-IV型工业裂解炉收率预测例子及其结果表明该软测量方法应用于工业裂解炉收率的在线预测是有效的.     

基于粒子群模糊神经网络的丙烯腈收率软测量建模

对粒子群优化算法与模糊神经网络的结合进行研究，提出粒子群模糊神经网络，并将其应用丙烯腈收丰软测量建模．该方法采用模翱神经网络来杓建丙烯腈收率软测量模型，用粒子群优化算法优化模糊神经网络的参数；并结合实际工艺，对所建软测量模型进行仿真研究。实验结果表明，该模型的性能优于粒子群神经网络模型，能够准确预测丙烯腈收率，具有较高的精度和良好的应用前景。     

基于PCA和最小二乘支持向量机的软测量建模

软测量技术是解决工业过程中普遍存在的一类难以在线测量变量估计问题的有效方法,支持向量机是基于统计学习理论的一种新的机器学习方法。提出了一种基于主元分析(PCA)和最小二乘支持向量机的软测量建模方法,用主元分析对输入变量进行数据压缩,消除变量之间的相关性,简化支持向量机结构,并通过交叉验证的方法对支持向量机进行参数选择。将其用于4-CBA软测量建模的结果表明:该方法具有学习速度快、跟踪性能好以及泛化能力强等优点,为4-CBA软测量建模的在线实施提供了方便。     

多层混沌神经网络及其在交通量预测中的应用

研究多层混沌神经网络及其在交通量预测中的应用问题。以BP网络和混沌理论为基础,提出了一种在隐层中包含混沌神经元的多层混沌神经网络。XOR问题实验得出:该混沌神经网络能有效地强化网络的非线性和学习效率。鉴于城市交通流具有明显的混沌特性,将该混沌神经网络应用于城市交通流的预测。对广东江门市某路口交通量的预测结果显示出:采用该混沌神经网络,预测误差一般可以控制在10%以下(或左右)。该网络还可以应用于其他混沌系统的预测和控制。     

基于过程神经网络的稀疏数据过程建模方法

针对一类因检测困难而导致检测数据稀少的连续工业过程,提出了基于离散Walsh变换的过程神经网络建模方法.在对稀疏样本数据进行预处理的基础上,采用递推式非邻均值生成法对样本数据进行扩充,以此建立可产生任意密集预测数据的过程神经网络模型,并采用在线滚动学习的方法进一步提高所建立的预测模型的精度.以味精发酵过程菌体浓度预测为例,验证了所建立的过程神经元网络预测模型可以得到非常高的预测精度.     

注塑过程子时段动态非线性质量预测

针对注塑间歇过程多阶段、缓慢时变、非线性和质量变量测量值不能在线获得等特点，提出子时段滑动窗口广义回归神经网络质量预测方法，首先，采用分类算法对三维数据矩阵的时间片PCA负载矩阵进行分析，根据相关性分析把注塑过程划分为几个子时段，然后确定与重量密切相关的阶段，在确定的阶段内采用滑动窗口建立GRNN多模型，解决常规MPLS在工业应用过程中存在的几个潜在问题：（1）静态单一模型；（2）模型失配问题；（3）MPLS线性方法不能充分有效压缩和抽取非线性过程信息；（4）估计未来测量变量所引进的模型偏差。所提方法与子时段滑动窗口MPLS方法进行仿真比较。结果证明了所提方法的有效性。     

一种基于神经网络的混沌控制方法

将神经网络(NN)与内模控制(IMC)相结合，提出了一种用基于BP神经网络的内模控制进行混沌抑制的方法，该方法既具有内模控制的特点，又引入了神经网络的在线自校正机制。应用所提出的方法，针对Duffing振荡器的混沌控制问题进行了仿真研究，仿真结果验证了该方法的有效性，同时还表明该方法具有很好的鲁棒性与自适应能力。     

基于案例推理的磨矿粒度软测量及其软件实现

针对磨矿过程的关键工艺指标磨矿粒度难以进行直接在线检测且化验过程滞后的难题，并结合案例推理（cBR）技术在软测量建模方面的优势，提出了基于案例推理的磨矿粒度软测量方法，开发了相应的粒度软测量软件。实际应用效果表明该软件简单、实用，能够较好地实现磨矿粒度的在线软测量。     

一种多神经网络混合模型的学习算法研究

针对混合智能模型的多神经网络结构特征，提出一种模型参数的在线辨识算法。该算法在起始阶段利用混沌优化算法寻找初始点，随后采用BFS法完成参数寻优过程。对处于扰动状态下的预分馏塔的仿真结果表明，该算法可以有效地解决一类多神经网络模型的在线参数辩识问题。     

广义预测控制的快速算法及其应用

针对工业过程控制中的典型回路 ,一般采用一阶或二阶系统加纯滞后模型的特点 ,提出了一种快速广义预测控制算法 (FGPC) ,与标准的广义预测控制算法相比 ,该算法具有结构简单 ,在线运算量小的特点 ,比较适用于实时控制 ,并讨论了其中的参数计算。最后以典型工业过程系统的控制仿真验证了所提出算法的有效性。     

模糊建模与控制的神经网络方法及其仿真研究

本文提出了一种复杂系统模糊建模及控制的神经网络方法。利用改进的ｐｉ－ｓｉｇｍａ 网络，对模糊规则的结论参数和隶属函数进行在线修正，实现模糊规则的自组织。这种方法被用于降水量预报和机器人解耦控制，取得了满意的仿真结果。为增强神经网络仿真算法的快速性，本文采用了一种基于向量的数据结构，并用标识阵指示神经元的连接状态，以实现有效的内存运算。     

自反馈RBF网络在高炉热状态模型预测中的应用

在RBF神经网络的输入上加入了自反馈的神经元,提出了自反馈RBF神经网络,使网络对过去时态的数据具有了记忆能力,对该网络进行了稳定性分析后,采用层叠的自反馈神经元以增加网络的动态处理能力,并设计了自反馈RBF的在线训练算法,通过对混沌时序数据的仿真实验证明该算法的有效性。在此研究基础上,建立了高炉的热状态预测控制模型,预报铁水中硅的含量以达到判断高炉热状态的目的,实验表明该模型提高了高炉热状态的预报精度。     

过程神经元网络学习算法及软测量方法的研究

研究输入输出以及连接权函数均可为时间函数的过程神经元网络(process neural network,PNN)的学习算法,在基本算法上增加基函数展开系数的规一化处理、权函数动量项调整项,提出学习率自适应调整方法和加速网络收敛速度的改进算法。将过程神经元网络引入到生产过程质量参数的软测量,研究基于正交基展开的过程神经元网络算法,通过分析原网络收敛速度慢等问题,对传统BP算法加以改进,实现了污水处理过程出水水质BOD的预测,仿真取得较好的结果,实践证明这是一种时变过程参数软测量的新方法。     

基于离散PSO的软测量辅助变量选择算法

工业对象的复杂化带来了可测变量的增多,这些变量集合中大量冗余的信息会降低软测量建模的精度。针对这个问题,提出了基于离散PSO的软测量辅助变量选择算法。算法将传统PSO连续的优化过程通过对粒子位置的隶属度计算,将其离散成0或1。0、1分别表示某变量未被选中和被选中,每个粒子就代表一种变量选取情况。将PLS回归用于适应度函数的计算,有利于克服多元回归中多重共线问题。最后,将该算法用在了丙烯精馏塔塔顶丙烯浓度的软测量实验中,实验结果表明该方法有效,并提高了模型的预测精度。     

基于遗传神经网络的癌症死亡率预测

分析了遗传算法(GeneticAlgorithm,GA)和人工神经网络(ArtificialNeuralNetwork,ANN)的优缺点,在此基础上,提出了将遗传算法与人工神经网络有机结合的遗传神经网络此外,利用长期进行的恶性肿瘤登记的报告资料,采用遗传神经网络对北京地区的癌症死亡率进行预测结果表明该研究工作是可行的,可以作为预测的一种有效手段.     

过程控制中的智能集成建模方法

针对复杂工业过程中广泛存在的对象难于辨识的问题,本文讨论了过程控制中的一类集成建模方法.通过研究铅锌冶炼过程的两个对象,分别建立了预测烧结块成分的集成模型和鼓风炉透气性模型.然后阐述了以神经网络为基础,结合其它方法的智能集成建模策略,这种方法由于充分利用了对象的各类信息,能够有效解决复杂对象的建模问题.     

一种快速收敛的核CMAC神经网络模型

为了提高CMAC(cerebellarmodelarticulationcontrollers)神经网络实时在线学习的快速性和准确性,在核CMAC的基础上引入了信度分配的概念。在核空间内,利用激活单元先前学习次数作为可信度,其误差校正值与激活单元先前学习次数的倒数成比例,设计了一种基于信度分配的核CMAC的训练规则,使网络的学习速度和网络逼近精度及建模能力得到提高。仿真结果表明基于信度分配的核CMAC结合了核CMAC与信度分配CMAC的优点,隐去了映射所带来的复杂运算,有较快的学习速度和训练精度及建模能力。     

Learning-based force servoing control of a robot with vision in an unknown environment

A learning-based control approach is presented for force servoing of a robot with vision in an unknown environment. Firstly, mapping relationships between image features of the servoing object and the joint angles of the robot are derived and learned by a neural network. Secondly, a learning controller based on the neural network is designed for the robot to trace the object. Thirdly, a discrete time impedance control law is obtained for the force servoing of the robot, the on-line learning algorithms for three neural networks are developed to adjust the impedance parameters of the robot in the unknown environment. Lastly, wiping experiments are carried out by using a 6 DOF industrial robot with a CCD camera and a force/torque sensor in its end effector, and the experimental results confirm the effecti veness of the approach.