基于核主元分析的非线性动态故障诊断

核主元分析是一种非线性主元分析方法，充分利用核函数来解决非线性映射问题，在高维特征空间中确定主元，具有很好的非线性逼近能力。同时，利用非线性最小二乘法实现核主元分析的变量重构，来识别故障源。将核主元分析应用于连续搅拌釜式反应器系统（CSTR）的故障诊断过程中，仿真结果表明该方法对于故障的检测和故障源的识别都优于线性主元分析法的诊断效果。     

基于AGA的ADRC及其应用研究

提出了自适应遗传算法（AGA）选取与优化自抗扰控制器（ADRC）参数的方法，较好地解决了其过多参数难以调节的问题，采用一阶ADRC对连续搅拌反应釜（CSTR）系统进行控制，并用简化的一阶ADRC控制平面两连杆机械手水平方向的正弦运动，仿真结果验证了算法的可行性和有效性。     

模糊连续变增益H∞控制器及其在生化过程中的应用

针对连续搅拌反应釜系统(CSTR)和生物反应等连续系统,采用梯度线性化,设计一种连续变增益控制器,主要思想是先利用梯度线性化方法得到非线性系统的一系列局部线性化模型,结合H_∞理论和极点配置得到变增益矩阵,通过拟合得到连续变增益H_∞控制器,再引入模糊隶属度函数,使控制器兼顾快速特性和良好的阻尼特性,保证系统始终具有较好的动态性能。仿真结果说明了此控制器设计方法的有效性。     

基于动态小波神经网络的非线性动态系统辨识

一种隐层由小波基组成的神经网络被用来实现非线性系统的输入输出之间的映射关系.为描述系统的动态特性,在网络中引入了自回归连接结构.本文给出了详细的用小波神经网络进行系统辨识的算法和步骤.本文提出了一种FC+GD算法以提高训练神经网络的收敛速度.最后,将所提出的方法用于CSTR模型的辨识,并与RBF和MLP网络相比较.     

一类纯反馈非仿射非线性系统的自适应神经网络变结构控制

研究了一类非仿射的纯反馈单输入单输出非线性系统。针对此系统,在中值定理、神经网络参数化和解耦Backstepping的基础上,提出了一种自适应变结构神经网络控制策略,而且所给出的定理证明闭环系统的所有信号在平衡点上是半全局一致有界的。通过对一个非仿射CSTR对象的仿真验证了该方法的有效性。     

一类化工过程自适应状态观测器的设计

提出了一种非线性系统自适应状态观测器的设计方法。根据系统工作点的变化在线配置极点,选取合适的反馈增益矩阵,无论如何选取状态观测器的初值,都能保证观测器在大范围内稳定工作。理论分析了存在模型误差和噪声干扰时观测器的鲁棒性。在CSTR上的仿真结果证明,用该方法设计的观测器能够稳定收敛到状态真值,并且对模型失配和噪声干扰有一定的抑制能力     

连续搅拌反应釜浓度的滚动时域估计

化学组分浓度大于零以及反应釜的进料温度和浓度等在给定范围内波动对估计问题来说是以约束形式出现的附加已知信息.本文基于预测控制的滚动优化原理,讨论了一种能利用这些已知约束信息来提高估计的合理性与准确性的滚动时域估计方法.最后给出了对CSTR系统的仿真结果并与Kalman估计进行了比较.     

结构逼近式网络和并联网络对CSTR的建模比较

利用-种新的混合神经网络的建模方法.结构逼近式混合神经网络对一类典型的化工连续搅拌釜反应(CSTR)过程建立了数学模型.介绍了这类混合神经网络的基本特性、拓扑结构和训练方法.该方法充分利用了已知非线性系统的结构信息和特点,使神经网络"恢盒"化,更好地解释和描述系统各变量间的因果关系,从而提高网络的建模精度.并利用两种不同的网络验证方法,将结构逼近式混合神经网络和一类典型的"黑箱'模型.并联混合神经网络做了比较说明,结果证明了方法的有效性.     

聚丙烯牌号切换动态过程建模及仿真研究

以Hypol工艺聚丙烯反应器为研究对象,建立了连续搅拌釜(CSTR)聚丙烯反应器的动态机理模型,以微分方程组和代数方程组进行描述.利用国内某大型聚丙烯装置现场工况数据,研究了动态模型对聚合反应牌号切换过程的适应能力,并与离线分析数据进行了对比分析,仿真结果表明了动态机理模型能够在很大范围内适应熔融指数(MI)的变化,可用于在线运行,指导生产.为聚丙烯牌号切换的优化控制奠定了基础.     

论环境问题的系统性特征

环境问题是各种具体环境事件及其相互作用的集成，它是一个系统，不仅具有自己的要素、结构、环境和功能，也具有系统的一般性特征，还具有自身的特点。     

AN INTELLIGENT CONTROL SYSTEM BASED ONRECURRENT NEURAL FUZZY NETWORK AND ITS APPLICATION TO CSTR

In this paper, an intelligent control system based on recurrent neural fuzzy network is presented for complex, uncertain and nonlinear processes, in which a recurrent neural fuzzy network is used as controller (RNFNC) to control a process adaptively and a recurrent neural network based on recursive predictive error algorithm (RNNM) is utilized to estimate the gradient information ρy/ρu for optimizing the parameters of controller.Compared with many neural fuzzy control systems, it uses recurrent neural network to realize the fuzzy controller. Moreover, recursive predictive error algorithm (RPE) is im-plemented to construct RNNM on line. Lastly, in order to evaluate the performance of the proposed control system, the presented control system is applied to continuously stirred tank reactor (CSTR). Simulation comparisons, based on control effect and output error,with general fuzzy controller and feed-forward neural fuzzy network controller (FNFNC),are conducted. In addition, the rates of convergence of RNNM respectively using RPE algorithm and gradient learning algorithm are also compared. The results show that the proposed control system is better for controlling uncertain and nonlinear processes.     

基于神经网络方法的大型电网短期负荷预报

电力系统负荷预报研究现状,介绍了神经网络方法应用于电力系统短期负荷预报的可行性及存在的问题。详细讨论了应用BP神经网络、共轭梯度算法改进BP神经网络方法进行电力系统短期负荷预报的算法,及在预报过程中对电网负荷数据进行预处理方法。分别应用二种方法对东北电力系统进行了72小时短期负荷预报仿真。仿真结果表明,BP神经网络训练时间长,预报精度低;而共轭梯度算法改进BP神经网络算法训练步数大大减小,缩短了网络训练时间,而且提高了预报精度。该方法可行,可用于电力系统短期负荷在线预报。     

数值积分的神经网络算法研究

提出一种求解数值积分的新方法,其基本思想是训练傅立叶基神经网络来逼近被积函数以实现定积分的数值计算.为保证算法的收敛性,提出并证明了神经网络算法的收敛性定理,为学习率的选取提供依据.本算法计算精度较高,对被积函数要求较低,适应性强,并可以计算振荡函数的积分.数值积分算例验证了本算法的有效性,因此在工程实际中有较大的应用价值.     

一种小波神经网络结构及其学习算法研究

基于仿射小波神经网络的逼近原理和结构设计问题 ,本文提出了一种新型小波神经网络结构 ,研究了其结构化设计方法和相应的学习算法 ,优化组合小波基元激励函数 ,实现了小波神经网络权系数的二次学习 ,避免了“维数灾”问题 ,改善了网络学习特性。计算机仿真结果表明 ,研究的小波神经网络结构及其学习算法简单有效 ,函数逼近更精确     

加工时间为连续随机变量的Job Shop调度问题

针对实际调度问题中存在的不确定现象,提出了加工时间服从正态分布、最大完成时间的期望值作为目标函数的随机Job Shop问题;然后提出了解决该问题的智能优化算法:采用随机模拟的方式产生输入输出数据,利用遗传算法训练神经网络,将训练过的神经网络嵌入到另一遗传算法中,用该遗传算法来优化Job Shop调度问题;最后给出了仿真实验,通过仿真实验证明,该算法对于解决加工时间为随机变量的Job Shop调度问题是行之有效的。     

Multiple model tracking algorithms based on neural network and multiple process noise soft switching

A multiple model tracking algorithm based on neural network and multiple-process noise soft-switching for maneuvering targets is presented. In this algorithm, the “current” statistical model and neural network are running in parallel. The neural network algorithm is used to modify the adaptive noise filtering algorithm based on the mean value and variance of the “current” statistical model for maneuvering targets, and then the multiple model tracking algorithm of the multiple processing switch is used to improve the precision of tracking maneuvering targets. The modified algorithm is proved to be effective by simulation.     

遗传神经网络特征提取及在分类中的应用

将遗传算法和神经网络结合应用于乳腺癌细胞分类,首先利用遗传算法随机提取训练集的属性特征,然后用提取特征后的训练集训练神经网络,最后得筑必要的特征子集优化网络结构,仿真实验结果表明,遗传神经网络不仅可以优化神经网络的权值和阈值,还能有效地找出线性可分离特征子集,从而达到降低数据维数并提高分类精度的目的。     

一种模糊神经网络控制系统研究

针对被控过程的非线性、时变性和复杂性,提出了一种模糊神经控制器与动态辨识器组成的控制系统。该系统的控制器采用模糊神经网络控制器,它的控制参数采用遗传算法全局离线优化对BP算法局部在线调整相结合的混合方法;该系统的辨识器采用变形Elman动态神经网络进行系统辨识。给出了该系统的结构、原理及工作流程,通过仿真实验证明该系统的可行性和有效性。