基于差分进化与RBF神经网络的热工过程辨识

针对热工过程的非线性辨识问题,提出了一种基于差分进化算法(DE)的径向基函数神经网络(RBFNN)模型设计方法.该方法将DE算法的种群分解为几组并行的子种群,每组子种群对应于一类隐节点数相同的RBF网络.在RBFNN的学习过程中进行多子种群并行优化,从而实现RBF网络结构与参数的同时调整.算法可以利用热工对象的输入输出数据,自动设计出满足误差精度要求且结构较小的RBFNN模型.然后将该算法应用于热工对象的辨识,对于单输入单输出系统,得到的RBFNN模型只需1个隐节点.对于多输入单输出系统,RBF网络也仅需较少的隐层节点.仿真结果表明,用该方法设计的RBFNN模型结构简单,且辨识误差小,具有较好的泛化能力.     

基于DHP方法的锅炉燃烧系统优化控制研究

电厂锅炉燃烧过程是一个典型的强非线性、多输入、多输出、强耦合过程,以这一直接影响机组安全经济运行的复杂过程控制为研究对象,研究火电厂锅炉燃烧系统的优化控制.首先,采用径向基函数神经网络(radial basis function neural network,RBFNN)对电厂锅炉燃烧系统进行了建模和模型测试.然后,用...     

船舶直线控制反步自适应神经网络算法

为了解决控制模型完全未知情况下非线性系统的控制问题,该文以船舶航向为控制对象,研究了径向基神经网络(RBFNN)方法.建立参数不确定的船舶运动的三阶非线性模型,针对系统的参数的不确定问题,提出了基于RBFNN估计的控制设计策略.利用神经网络对非线性参数不确定性进行了在线估计,然后利用反步法进行了控制器设计.RBFNN方法对于非线性系统提供了一种有效的解决方法,仿真结果证明了该方法的有效性.     

活性污泥过程MISO神经网络模型

用误差反向传递 ( BP)神经网络模拟了活性污泥过程 ,发现使用多输入多输出 ( MIMO)神经网络来模拟活性污泥过程变量间关系时 ,线性部分误差较小 ,非线性部分误差较大 ;但若用数个多输入单输出 ( MISO)神经网络的组合来模拟时 ,则对活性污泥过程的线性或非线性关系均能很好模拟     

吸收式制冷机组逆神经网络设定优化

针对吸收式制冷机组非线性、难以控制的特点，提出了一种基于逆神经网络模型的设定点优化方案。首先，以11.5kW单效溴化锂吸收式制冷机组为对象，使用人工神经网络方法建立了机组模型，通过对溴冷机制冷原理的分析，建立了系统结构为5-6-2的网络模型，该神经网络模型的相关系数大于0.99且方均根误差小于0.2%，与实验数据取得了良好的拟合效果；然后，利用该模型对溴冷机的各个输入参数进行灵敏度分析，并据此选择热水供水温度与冷却水流量作为优化方法的控制输入参数；最后，以冷冻水输出温度作为系统控制输出，对其进行优化计算，并采用改进的粒子群优化算法与逆神经网络相结合的方法，计算制冷机组的最优控制输入参数。通过实验与仿真分析，可知该算法的计算时间在30 s以内，低于吸收式制冷机组的稳定时间；溴冷机的目标输出与仿真计算结果间的误差小于0.02%，表明该方案可以应用于吸收式制冷机组的在线控制。     

吸收式制冷机组逆神经网络设定优化

针对吸收式制冷机组非线性、难以控制的特点，提出了一种基于逆神经网络模型的设定点优化方案。首先，以11.5kW单效溴化锂吸收式制冷机组为对象，使用人工神经网络方法建立了机组模型，通过对溴冷机制冷原理的分析，建立了系统结构为5-6-2的网络模型，该神经网络模型的相关系数大于0.99且方均根误差小于0.2%，与实验数据取得了良好的拟合效果；然后，利用该模型对溴冷机的各个输入参数进行灵敏度分析，并据此选择热水供水温度与冷却水流量作为优化方法的控制输入参数；最后，以冷冻水输出温度作为系统控制输出，对其进行优化计算，并采用改进的粒子群优化算法与逆神经网络相结合的方法，计算制冷机组的最优控制输入参数。通过实验与仿真分析，可知该算法的计算时间在30 s以内，低于吸收式制冷机组的稳定时间；溴冷机的目标输出与仿真计算结果间的误差小于0.02%，表明该方案可以应用于吸收式制冷机组的在线控制。     

吸收式制冷机组逆神经网络设定优化

针对吸收式制冷机组非线性、难以控制的特点，提出了一种基于逆神经网络模型的设定点优化方案。首先，以11.5kW单效溴化锂吸收式制冷机组为对象，使用人工神经网络方法建立了机组模型，通过对溴冷机制冷原理的分析，建立了系统结构为5-6-2的网络模型，该神经网络模型的相关系数大于0.99且方均根误差小于0.2%，与实验数据取得了良好的拟合效果；然后，利用该模型对溴冷机的各个输入参数进行灵敏度分析，并据此选择热水供水温度与冷却水流量作为优化方法的控制输入参数；最后，以冷冻水输出温度作为系统控制输出，对其进行优化计算，并采用改进的粒子群优化算法与逆神经网络相结合的方法，计算制冷机组的最优控制输入参数。通过实验与仿真分析，可知该算法的计算时间在30 s以内，低于吸收式制冷机组的稳定时间；溴冷机的目标输出与仿真计算结果间的误差小于0.02%，表明该方案可以应用于吸收式制冷机组的在线控制。     

多项式基函数神经网络模型

从函数逼近理论出发，用一组正交基函数作为三层前向神经网络各隐含单元的输出特性，以其加权和作为网络的非线性输出，构成一种单输入单输出正交基函数神经网络模型。建立了多输入的多项式基函数神经网络，并给出了非线性静态特性拟合，ＸＯＲ特性和动态特性拟合计算机仿真结果。     

用模拟退火神经网络技术进行波阻抗反演

利用基于模拟退火算法的神经网络技术进行测井约束的波阻抗反演，可根据数据本身之间的内在联系建立一个自适应非线性认知系统，只要在输入端输入特征数据，便能在输出端得到期望输出值，而不必关心系统本身的内部机理。在反演前，从测井资料中整理出地层波阻抗参数，用神经网络建立起波震波特征和地层波阻抗参数的映射关系，然后再利用这种映射关系进行外推，得到其它地震道所对应的波阻抗参数。在训练过程中，引入了模拟退火算法，     

基于递归神经网络模型的传感器非线性动态补偿

讨论了递归神经网络模型在传感器非线性动态补偿中的应用，给出了递归神经网络模型的结构及相应的训练算法．递归神经网络模型本身具有动态映射能力，其结构仅与输入层和中间层的节点数有关，且不需要知道被补偿传感器的结构特性(如输出、输入的最大延迟)等先验知识，简化了动态补偿器的结构设计．采用递推预报误差算法训练神经网络，具有收敛速度快、收敛精度高的特点．实验结果表明，经过补偿后的传感器具有期望的输入输出特性，应用递归神经网络对传感器进行非线性动态补偿是一种行之有效的方法．     

自组织特征映射神经网络在薄板冲压中的应用

从影响薄板冲压成形结果因素和有限元网格法出发,研究了基于神经网络预测毛坯尺寸模型的方法.选取模具参数和工艺参数等作为影响冲压成形结果的因素,用正交表和随机法产生径向基函数神经网络的学习样本;利用自组织神经网络对样本进行分类,用有限元网格法反算的毛坯的长度作为神经网络的输出;设计了神经网络流程,定义了神经网络输出与有限元分析数据的相对误差.通过仿真试验证明,提出的预测毛坯尺寸模型的方法是有效的.     

基于Hopfield神经网络的自适应控制系统的设计与仿真

根据连续型Hopfield神经网络的特性,设计基于Hopfield神经网络自适应控制系统,解决当前大多数控制系统需要外界参与的问题.设计一个三元组的Hopfield神经网络,并通过自反馈机制更新神经元的权重,完成自适应控制的任务.通过MATLAB平台仿真建立Hopfield神经网络,构建神经网络输出与参考标准输出之间的对比实验.结果表明,Hopfield能够在有限次数内逼近参考标准输出,从而完成控制任务.基于Hopfield神经网络的自适应控制系统有较高的精度,能够完成常见的设备控制,具有较强的可行性和便捷性.     

基于T-S模型的模糊神经网络

一种基于Ｔａｋａｇｉ－Ｓｕｇｅｎｏ模型的模糊神经网络由前件网络和后件网络两部分组成。前件网络用来匹配模糊规则的前件，它相当于每条规则的适用度。后件网络用来实现模糊规则的后件。总的输出为各模糊规则后件的加权和，加权系数为各条规则的适用度。所提出的模糊神经网络具有局部逼近功能，且具有神经网络和模糊逻辑两者的优点。它既可以容易地表示模糊和定性的知识，又具有较好的学习能力。给出了调整规则后件参数及前件隶属度函数参数的学习算法，举例说明了它的逼近性能。     

高炉煤粉喷吹系统的动态辨识

高炉煤粉喷吹是一个时变、非线性复杂系统,采用常规方法无法建立起精确的数学模型·通过对煤粉喷吹系统的研究,提出一种带可调因子的模糊神经网络(AFNN),它通过调节可调因子的大小,实现喷吹对象的动态辨识·实验结果表明,该网络具有快速的学习能力和较强的自适应性能·     

用正交法分析注塑工艺参数对制品质量的影响

在注塑成型过程中,工艺参数是决定制品质量的重要因素。为了研究工艺参数对制品质量的影响,在注射机上根据正交实验表安排4水平的关键注塑工艺参数(熔体温度、注射压力、注射速度及模具温度)和制品质量间的试验,在此基础上根据实际需要增加了4组追加试验。根据实验结果,用极差分析技术对各因素的显著度进行排序,同时建立了工艺参数和制品质量的神经网络模型,为注塑件质量控制和工艺参数的调整提供了有益的参考。     

基于BP神经网络方法的分层注水量计算

对静态地层系数法和动态方程法等分层注水量计算方法分析表明:现有方法考虑注水量影响因素较少,计算误差较大,适用性较差。应用BP神经网络方法计算分层注量,以砂岩厚度、有效厚度、渗透率和沉积相影响系数等16个影响因素作为模型输入参数,单层吸水量作为模型输出。实例计算结果表明:BP神经网络法计算分层注水量与实测值的最大误差为6.51%,平均误差为3.21%,准确性较好,说明BP神经网络方法在分层注水量计算方面具有较好的应用前景。     

基于模拟退火算法的Hopfield神经网络参数优化

为解决Hopfield神经网络应用过程中参数设置的问题,在研究Hopfield神经网络的工作原理的基础上,分析了神经网络模型在求解TSP(Traveling Salesman Problem)问题过程中参数的选取,通过对输出数据进行归一化处理建立网络的评价函数,然后引入模拟退火算法对参数进行最优化选取。实验结果表明,经过参数优化过的Hopfield神经网络模型能更有效,更快速地得到TSP问题的最优解。     

基于过程神经网络时变系统的参数辨识

提出了一种基于过程神经网络时变系统的参数辨识方法,过程神经网络具有强大的非线性映射功能以及自学习、自适应等功能,其输入与时间有关,输出可为变量.文中基于过程神经网络,对一刚度随时间变化的三自由度系统进行参数辨识.实验结果表明:提出的方法对于时变系统具有较好的辨识效果.     

普通混凝土强度预测的BP神经网络模型

在分析普通混凝土强度影响因素基础上 ,选取混凝土配料中 7个因素作为输入值 ,混凝土2 8d强度作为输出值建立了混凝土强度预测的 BP网络模型。讨论了模型的学习样本、网络参数对预测精度的影响 ,选出最佳网络参数配置。实例证明模型预测精度高。     

延迟时间未知的时延系统神经网络补偿控制

提出了延迟系统及延迟时间参数的神经网络辨识方法。改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间。将神经网络大延迟系统的辨识与基于模型补偿的控制策略相结合,可以用于具有变化参数或者不确定性延迟时间的大延迟系统的控制。仿真结果表明这种神经网络模型补偿延迟系统控制具有很好的控制效果,它是大延迟控制中克服延迟时间变化的很有希望的方法。