利用串/并联神经网络建立化学反应器模型

本文研究使用线性动态神经网络与非线性的静态网络相结合的混合建模方式解决复杂非线性系统的建模问题。使用混合神经网络建模，可以降低单个网络的训练难度，基于此，也可将非线性系统控制策略的求解分解，转换为线性系统的求解。从而改善使用单一神经网络建模存在的精度不高以及训练时间长等不足，也为非线性系统控制策略的求解提供方便。本文以一个典型多变量系统——连续搅拌釜式反应器（CSTR）作为仿真对象，详细研究和实现了两类神经网络串联和并联的混合建模方法，并对结果进行了比较。     

库存仿真软件的设计与应用——以ARENA为例

库存系统中存在大量不确定的随机因素,并且系统各变量间的关系复杂,运用解析方法不能很好地建模与分析。仿真被认为是处理复杂库存系统中随机变量的有效方法。本文利用ARENA仿真软件对电脑经销商的库存管理状况进行模拟,对库存水平、缺货情况、库存成本等绩效评价指标进行仿真。结果表明利用库存仿真软件对提高管理水平和管理效率有很好的效果。     

一种大工业过程稳态优化控制方法

催化裂化装置是一个高度非线性、时变和长时延、强耦合、分布参数和不确定性的复杂系统。为解决催化裂化过程的优化控制问题 ,采用多层前馈神经网络进行辨识、建模 ,用周期图检验法对模型检验 ,用改进的 Frank- Wolfe算法进行稳态优化计算 ,并以大港炼油厂实际生产过程的稳态数据进行试验和验证 ,说明神经网络适合于解决非线性复杂生产过程的辨识、建模和稳态优化控制问题     

基于MATLAB的RBF神经网络建模及应用

MATLAB中的神经网络工具箱是进行神经网络系统分析与设计的有力工具。RBF神经网络以其计算量小,学习速度快,不易陷入局部极小等诸多优点为系统辨识与建模提供了一种有效的手段。将二者结合起来,解决了油田试井系统中压力值的建模问题,取得了令人满意的结果。     

一种功能分区神经网络的结构及在复杂系统建模中的应用

根据人脑处理复杂事件时，将事件按某种“准则”分解成若干子事件，分配给脑的相应处理机构，协调完成事件的处理工作的原理，提出一种功能分区神经网络模型，并分析了网络的性能，探讨了在复杂系统建模中应用等问题。     

扩展时间Petri网在CSMA/CD建模中的研究

对CSMA/CD的建模有利于对协议本身进行分析和评价,在对存在冲突事件的系统建模时,利用普通Petri网不能很好地反映和解决冲突。该文介绍一种扩展时间Petri网(ETPN),它利用在弧上赋予时间函数来解决冲突事件发生,然后用ETPN来对CSMA/CD进行建模并对模型进行分析。在较复杂的系统中,ETPN能够反映并解决事件的冲突,具有灵活、直观、可扩展性好等优点。     

一种基于AOcontPN的信息物理系统建模方法

信息物理系统(CPS)是计算、控制和通信相融合的系统。现有的建模方法不能很好地实现其离散和连续混合的复杂行为。对此提出了一种基于面向方面连续Petri网的AOcontPN建模方法。依据CPS需求分析,将一些普遍存在的物理连续过程抽取出来,作为一个功能性的方面连续Petri网,织入到基本Petri网中。这样不仅解决了CPS系统中连续过程的行为分析、复用等问题,也使得整个系统可以使用离散系统的形式化方法来验证。     

神经网络在采煤机故障诊断专家系统中的应用

为克服符号处理专家系统的局限性,解决采煤机故障诊断复杂的难题,设计了一种基于神经网络的采煤机故障诊断专家系统.该系统将传统专家系统与神经网络科学地加以综合,较好地解决传统专家系统存在的问题,提高系统的诊断速度和准确率.     

基于神经网络的中国汽车保有量建模与预测

利用改进的BP神经网络对中国2000年、2005年、2010年的汽车保有量进行预测,并与灰色预测的结果进行对比。结果表明,由于神经网络具有很强的学习与泛化能力,因此在处理具有一定程度不确定性的非线性系统的建模与预测方面,神经网络有很好的应用价值。     

神经网络在工程时间序列预报问题研究中的应用

对岩土工程中时间序列预报问题进行了研究。灰色模机理研究表明，灰色建模存在若干问题，因此，在处理岩土工程中时间序列预报问题时，要慎用灰色系统建模。探讨了岩土工程时间序列与神经网络间的联系，论证了神经网络的函数逼近能力，建立了基于神经网络的岩土工程时间序列预报模型。研究了实例表明，该模型的预报精度高，为解决岩土工程中时间序列预报问题提供了一条崭新途径。     

基于结构的神经网络在液压缓冲器建模中的应用

分析了液压缓冲器的结构及其动态工作过程，介绍了基于结构的神经网络建模方法．该建模方法根据系统结构组成特点将复杂系统分解为相互关联的简单子系统，用函数链神经元分别建立子系统模型，然后根据子系统间固有的连接关系将子系统神经元模型连接成一个网络，所得网络模型即为原系统模型．应用该方法建立了52SFZ—140—207B液压缓冲器的动态模型．结果表明，基于结构的神经网络建模方法对复杂非线性系统建模是有效的．     

基于元胞自动机模型的城市空间变化模拟研究进展

元胞自动机(CA)是一种时间、空间、状态都离散,空间的相互作用及时间上的因果关系皆局部的网格动力学模型,其“自下而上”的研究思路,强大的复杂计算功能、固有的平行计算能力、高度动态以及具有空间概念等特征,使得它在模拟空间复杂系统的时空动态演变方面具有很强的能力.在城市空间动态变化的模拟研究方面,CA模型已应用到除非洲、南极洲的所有大洲的城市模拟研究当中.CA模型和G IS的集成,一方面增强G IS的空间模型运算及分析能力,另一方面,G IS提供的强大空间处理能力可以为CA模型准备数据和定义有效的元胞转换规则以及对模拟结果进行可视化.同时CA模型还可以与神经网络、主成分分析、遗传算法、模糊逻辑以及其他研究方法相结合,以增强其在城市空间变化模拟研究方面的能力.将CA与MAS技术相结合,建立一个能够模拟多个不同参与因子(自然系统)、不同决策者(人文系统)共同影响下的城市发展模型,以此来模拟与预测城市发展的真实状况,将是CA模型在城市空间变化模拟与预测研究中的未来发展趋势.     

急倾斜煤层采煤方法选择的神经网络专家系统

急倾斜煤层采煤方法众多,赋存条件复杂,用传统方法选择其采煤方法,效果不理想．为此,建立了神经网络专家系统,为急倾斜煤层采煤方法的合理选择及工作面主要技术经济指标预测提供了一种科学、可靠、实用的新方法．理论分析及实例计算结果表明,神经网络专家系统适合于处理用传统方法难于解决的、复杂的非线性系统,在煤矿生产和建设中具有广阔的应用前景．图1,表4,参7     

A Neural Network Method for Reliability Optimizations of Complex Systems

0 Introduction The reliability has become a key factor in the design and operation of complex systems[1]. In general, the de- sign of a system involves numerous discrete choices among available component types based on reliability, cost, performance etc. …     

基于增量余弦RBF网络的惯性导航初始对准

针对传统高斯RBF网络应用于惯性导航初始对准建模时，对处于两基函数中心点之间的值拟合效果不太理想的情况，提出了一种将增量余弦RBF网络用于惯性导航初始对准建模的方法。该方法采用增量余弦函数作为RBF网络的基函数，对多变量非线性系统有很好的拟合能力。相对于传统高斯RBF网络，增量余弦RBF网络的基函数具有更强的局域性，解算时同时参与运算的基函数数量更少，有效地降低了网络的解算时间。仿真结果表明，增量余弦RBF网络用于惯性导航的初始对准，既可获得较高的对准精度，又有效地降低了系统的解算时间，提高了系统的实时性。     

改进的PSO-RBF神经网络在联合制碱中的应用

联合制碱过程是一类典型的复杂工业过程,具有时变、非线性、不确定性等特征,在线控制模型难以建立。针对联合制碱复杂工业过程控制精度不高、鲁棒性差等问题,提出一种改进的PSO-RBF神经网络控制算法。将粒子群优化算法和径向基神经网络相结合,使用改良的粒子群优化算法对RBF神经网络的隐含层基函数中心、宽度和输出层的连接权值进行寻优,建立基于改进的PSO算法优化后的RBF神经网络模型。将改进的PSO-RBF神经网络控制模型应用到联合制碱的关键工序碳化过程中,并与先前应用的模糊神经网络控制模型进行比较,经仿真研究验证表明,在联合制碱碳化过程中应用改进的PSO-RBF神经网络控制算法,其控制精度和系统鲁棒性得到了有效的提高,为解决一类复杂工业过程的建模与优化控制方法研究提供了有效的技术途径。     

基于Elman网络补偿模型的Smith预测控制

研究基于Elman网络补偿模型的Smith预测控制问题.采用互补建模方法对被控对象进行建模,其中机理模型反映被控对象的主要工作规律和运行趋势,但不可避免地存在一定的模型误差;通过Elman网络拟合机理模型的模拟误差,并对其进行补偿.实验结果表明,基于Elman网络补偿模型的Smith预测控制充分利用了神经网络的非线性拟合能力,只要对纯滞后环节精确建模,就可以完全抵消该环节对控制品质及系统稳定性的不利影响.该方法使得Smith预测控制可以用于模型不易精确确定的系统.     

基于递归神经网络的TVS电磁脉冲响应建模

针对传输线脉冲(TLP)测试方法实施过程工作量较大、测试结果与实际情况相符程度较差的问题,提出一种基于递归神经网络建模的电磁脉冲响应预测方法。该方法基于TLP测试系统,增加机器模型静电放电和人体金属模型静电放电两类注入电磁脉冲,分别建立Elman,Jordan神经网络以及它们的组合Elman-Jordan神经网络对NUP2105L型瞬态抑制二极管(TVS)进行建模,预测不同脉冲条件下TVS的响应。仿真结果表明,递归神经网络建模效果好、运算效率高。     

推荐系统研究综述

随着互联网技术的快速发展,如何对海量网络信息进行挖掘分析,已成为热点和难点问题。推荐系统能够帮助用户在没有明确需求或者信息量巨大时解决信息过载的问题,为用户提供精准、快速的业务(如商品、项目、服务等)信息,成为近年来产业界和学术界共同的兴趣点和研究热点,但是,目前数据的种类多种多样并且应用场景广泛,在面对这种情况时,推荐系统也会遇到冷启动、稀疏矩阵等挑战。深度学习是机器学习的一个重要研究领域和分支,近年来发展迅猛。研究人员使用深度学习方法,在语音识别、图像处理、自然语言处理等领域都取得了很大的突破与成就。目前,深度学习在推荐领域也得到了许多研究人员的青睐,成为推荐领域的一个新方向。推荐方法中融合深度学习技术,可以有效解决传统推荐系统中冷启动、稀疏矩阵等问题,提高推荐系统的性能和推荐精度。文中主要对传统的推荐方法和当前深度学习技术中神经网络在推荐方法上的应用进行了归纳,其中传统推荐方法主要分为以下3类:1)基于内容推荐方法主要依据用户与项目之间的特征信息,用户之间的联系不会影响推荐结果,所以不存在冷启动和稀疏矩阵的问题,但是基于内容推荐的结果新颖程度低并且面临特征提取的问题。2)协同过滤推荐方法是目前应用最为广泛的一种方法,不需要有关用户或项目的信息,只基于用户和诸如点击、浏览和评级等项目的交互信息做出准确的推荐。虽然该方法简单有效但是会出现稀疏矩阵和冷启动的问题。3)混合推荐方法融合了前2种传统推荐方法的特点,能取得很好的推荐效果,但在处理文本、图像等多源异构辅助信息时仍面临一些挑战与困难。依据神经网络基于深度学习的推荐方法主要分为4类:基于深度神经网络(DNN)的推荐方法、基于卷积神经网络(CNN)的推荐方法、基于循环神经网络(RNN)和长短期记忆神经网络(LSTM)的推荐方法、基于图神经网络(GNN)的推荐方法、将深度学习技术融入到推荐领域,构造的模型具有以下优势:具有较强的表征能力,可以直接从内容中提取用户和项目特征;具有较强的抗噪能力,可以轻易地处理含有噪声的数据;可以对动态或者序列数据进行建模;可以更加精准地学习用户或项目特征;便于对数据进行统一处理,并且可以处理大规模数据。将深度学习技术应用到推荐领域,可以积极有效地应对传统推荐方法面临的挑战,提高推荐效果。     

多变量模糊推理系统的神经网络实现

以双缸连通液面Ｆｕｚｚｙ控制系统为模型，研究了多变量Ｆｕｚｚｙ推理系统的神经元网络实现问题。这里主要考虑如下二个问题：（１）ＢＰ网络在语言环境下实现多变量Ｆｕｚｚｙ推理系统的有效性；（２）神经网络结构（隐层节点个数及输出层激发函数）对推理结果的影响。仿真结果表明，在语言环境下ＢＰ网络具有很强的近似推理能力，基于ＩＦ－ＴＨＥＮ的多变量Ｆｕｚｚｙ推理系统可由一个ＢＰ网络训练学习而加以实现，从而为有效的实现多变量复杂系统的Ｆｕｚｚｙ控制奠定了基础。