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．     

基于结构的神经网络在参数优化中的应用

在对传统人工神经网络优化方法的认识基础上，针对复杂非线性系统的优化问题，提出了一种基于结构的神经网络优化方法。它将一个复杂系统转化为若干个较简单的子系统，分别建立各子系统的函数链神经元模型，然后根据原系统的结构特点将它们连接起来构成一个基于结构的神经网络。网络权值与系统的结构参数相对应，具有明确的物理意义，通过调整权值即可实现系统结构参数的优化。对Y2-Hc10型先导式溢流阀的优化研究表明，该方法为大型、严重非线性系统的结构参数优化提供了一条新的途径。     

基于遗传算法的变结构神经Petri网模型

将Petri网理论引入到神经网络模型的研究中，依据生物学神经系统的可塑性，通过适当扩展规范Petri网，建立了人工神经元状态转化的Petri网模型．在此基础上给出了利用遗传算法设计变结构神经Petri网的方法，该方法不仅可以得到满足要求的网络参数，而且能对网络的拓扑结构进行优化．仿真结果验证了该方法的可行性．     

硫酸盐废水处理中SRB生态因子的GA-NN建模研究

利用产酸-硫酸盐还原反应器对高浓度硫酸盐废水进行处理时,硫酸盐还原菌的生态位是该系统的核心问题。将神经网络与遗传算法有机地结合起来,以神经网络为理论基础,利用遗传算法优化网络中的连接权值,对产酸硫酸盐还原反应系统进行建模与仿真化,并将之与采用回归分析法的模拟结果相对比。研究结果表明采用遗传算法优化神经网络的效果较好,所建模型的运算结果更为可靠。     

基于遗传算法的变结构神经Petri网模型

将Ｐｅｔｒｉ网理论引入到神经网络模型的研究中，依据生物学神经系统的可塑性，通过适当扩展规范Ｐｅｔｒｉ网，建立了人工神经元状态转化的Ｐｅｔｒｉ网模型，在此基础上给出了利用遗传算法设计变结构神经Ｐｅｔｒｉ网的方法，该方法不仅可以得到满足要求的网络参数，而且能对网络的拓扑结构进行优化，仿真结果验证了该方法的可行性。     

基于聚类和文化算法的补偿模糊神经网络建模方法

根据补偿模糊神经网络的建模特点,提出了基于聚类和文化算法的补偿模糊神经网络建模方法。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用改进的聚类算法确定模糊规则数及初始参数,构造一个初始模糊模型;在参数辨识中,采用基于多层信念空间的文化算法对具有5层结构的补偿模糊神经网络参数进一步优化,使其具有更高的精度。通过对TE过程的故障诊断建模,结果表明该网络在建模精度和收敛速度上均优于常规补偿模糊神经网络和常规模糊神经网络。     

材料非线性问题的遗传算法与神经网络耦合分析

基于遗传算法的全局最优化功能以及BP网络的非线性映射功能，提出了用于结构非线性分析的遗传算法与神经网络耦合分析方法。该方法是利用遗传算法的全局优化功能搜索BP网络各神经元之间的连接权值。以受内压的厚壁圆筒为数值算例，利用建立的遗传算法与神经网络的耦合分析方法进行弹塑性分析。计算结果表明该方法是有效的，具有较高的计算精度和计算效率。     

模糊AND-OR神经网络优化建模方法

采用由AND和OR模糊神经元组成的神经网络进行模糊逻辑建模,每个神经元由S和T算子组合而成,并给出单个神经元作用在模糊集上的效果,充分展示了这两种神经元的优越性,以4条规则为例推导出这类神经网络与“if-then”的规则集之间的等价关系。在神经网络的学习过程中,提出了一种混合式的学习方案采用遗传算法优化整个网络的结构,缩小了输入空间的维数,减少了相应的规则数;并在此基础上利用梯度的学习方法继续对相应的参数进行优化,从而使网络具有很好的优越性,为进一步模糊控制创造了良好的平台。     

油藏系统函数型连接神经网络辨识方法

为实现油田生产管理和决策的现代化,使地层参数估值具有全局最优性,在研究油井井底压力分布的描述和有关地层参数辨识问题的基础上,提出了一种由二阶学习算法与GA(Genetic A lgorithm)构成的新型混合遗传算法,并给出一种新型神经网络。该网络把级数中的函数看成非线性神经元,建立油藏系统的函数型连接人工神经网络模型。由系统辨识理论中的F检验法确定网络模型的结构参数n,用二阶学习算法和新型GA交替辨识网络模型的权系数v和地层参数θ。应用表明,采用上述方法建模精度高,模型的平均相对误差在1%以内,并能求出地层参数的全局最优估值。     

基于BP神经网络模型的磨床部件动态灵敏度分析

利用ANSYS的APDL语言建立磨床部件的参数化模型，计算出磨床部件的动态特性，快速采用得到BP神经网络模型的学习样本，建立基于BP神经网络的动态分析模型，将磨床部件结构参数与其动态特性之间的关系反映为神经网络模型的网络输入与网络输出之间的数学关系，从而方便地，快速地对磨床部件进行了动态灵敏度分析，结果表明，在BP神经网络模型上进行磨床结构优化要比在有限元模型上方便，快速，该方法特别适用于对大型复杂结构的优化设计计算。     

Application of FNN to the Modeling of FCCU

IntroductionThe Fluidized Catalytic Cracking ( FCC )process is stable under normal conditions,butsometimes the whole process deviates from theoptimal track due to environmentaldisturbances oraging of the equipment.The optimal productionconditions and the best profit can be found bystudying the stable optimization state.There iscurrently little research or state optimizationapplications due to the difficulties of oldmeasurement and control equipment,modelingdifficulties,formidable research an…     

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     

基于迟滞噪声混沌神经网络的TDMA广播调度

分组无线网络的时分多址(Time Division Multiple Access,TDMA)广播调度问题是一个经典的NP-hard组合优化问题,可用神经网络求解.混沌动力学、随机游动和迟滞动力学均能够有效地提高神经网络的优化性能.为了提高迟滞动力学在噪声混沌神经网络中的优化能力,又不增加噪声混沌神经网络的参数,将噪声混沌神经网络的噪声幅值作为Sigmoid函数的中心参数,并通过神经元的输入变化来控制噪声幅值形成迟滞环,提出了一种新型的迟滞噪声混沌神经网络.对神经元状态演化行为的研究表明,该网络能够同时演化出混沌倒分岔、随机游动和迟滞等动力学行为.对分组无线网络的TDMA广播调度问题的仿真表明,提出的迟滞噪声混沌神经网络具有更好的优化性能.     

基于Chebyshev神经网络的非线性动态系统预测

针对非线性动态系统的预测常受到噪声或其他过程的耦合影响,使得规律变得难以发现的问题,提出了以一组Chebyshev正交基函数作为神经网络中各隐神经元的激励函数的新型的Chebyshev基函数神经网络预测模型.将该模型作为非线性动态系统预测模型,并采用基于粒子群和模拟退火组成的文化基因算法优化神经网络的权值,可以达到很高的预测精度和很好的预测结果.Chebyshev神经网络与传统的BP(back propagation)神经网络相比,工作量大大减少,加快了收敛性.文化基因算法用于确定权值的Chebyshev神经网络分别与粒子群和模拟退火优化的Chebyshev神经网络相比具有更好的拟合效果.     

神经网络控制系统仿真

利用基于神经网络修正误差ＢＰ学习算法的多层网络和间接学习或专门学习的动态逆特性控制方法＾［１］编制的神经网络控制系统的仿真软件（ＳＣＳＢＮＮ），给出了调节时间和最大超调量与神经网络中间层节点数的关系曲线，同时给出了各种学习率和神经元作用函数增益的响应曲线。ＳＣＳＢＮＮ也可用于神经网络非线性控制系统。仿真结果说明神经网络非线性控制系统具有良好的控制性能。     

基于模块化神经网络的船舶航迹航速预测

为提高船舶航迹航速预测精度,提出一种模块化神经网络MNN(modular neural network)船舶航迹航速预测方法。首先,利用归一化互信息与专家知识确定预测目标的辅助变量从而分解任务;然后,将RBF(radial basis function)神经网络和Elman神经网络用于子网络搭建,使用减法聚类算法确定初始子网络结构,在此基础上提出误差反馈方法将RBF神经网络训练的最大误差所对应的样本作为隐含层新增神经元并通过粒子群算法PSO(particle swarm optimization)优化RBF神经网络学习参数,运用性能函数动态调整Elman神经网络隐含层神经元数目以此构造模块化神经网络对目标进行预测;最后,实验结果表明模块化神经网络预测精度与网络结构均优于传统BP与RBF神经网络,证明了所提方法的有效性。     

基于LM算法的相关模糊神经网络及其应用

针对输入变量相关性较高的非线性建模模型,经典模糊神经网络算法存在收敛速度缓慢、模糊规则数大、陷入局部最小值的问题。提出一种基于LM算法的相关模糊神经网络模型;该模型基于聚类思想,构建多变量高斯模糊隶属度函数,将其表示为不可分离的模糊关系来处理相关变量模型;再采用LM优化算法,通过Hessian矩阵和一阶梯度向量同时调整网络参数;并引入Cholesky定理缩减网络参数个数。应用LM算法的模糊神经网络模型实验结果表明,可以加快收敛速度、减少模糊规则数,比经典的模糊神经网络有更好的预测精度。     

木糖醇发酵液脱色的优化工艺

根据木糖醇发酵脱色实验,借助均匀设计法,确定人工神经网络的隐层神经元数、学习速度和动量因子等模型参数,构建一个能用于预测、优化木糖醇发酵液脱色过程的３层数学模型（５－８－１）,并通过遗传上算法寻优,获得效果更好的脱色工艺。