不可测过程参数的智能化软计算方法及应用

为解决控制系统中存在的时变过程数学建模困难,有些过程参数难以在线实时检测的问题,研究基于过程神经元网络的不可测过程参数软计算方法。分析正交基函数展开的学习算法收敛速度慢的问题,将BP网络的改进算法引入到过程神经元网络的训练中,增加基函数展开系数的规一化处理、权函数动量项调整项,以及学习率自适应调整方法,改进算法明显消除了误差收敛曲线振荡和网络收敛速度慢的问题。该方法在污水处理过程出水水质BOD预测中网络训练速度快,取得较好的预测结果,是一种不可测过程参数智能化软计算的有效方法。     

基于权函数正交基展开的过程神经元网络学习算法

针对过程神经元输入和网络连接权均可以是过程或时变函数，为解决过程神经元网络训练涉及的时域聚合运算问题，提出了基于权函数基展开的过程神经元网络学习算法。在网络输入函数空间中引入权函数正交基，将输入函数和网络连接权函数表示为该组正交基的有限项展开形式，利用函数基的正交性，可简化过程神经元在时间聚合运算中的复杂性，提高网络学习效率.     

基于经验模态分解-粒子群优化-长短期记忆的车间电力能耗预测方法

针对传统能耗预测方法不能充分提取数据特征并利用神经网络的学习、预测能力，提出了一种基于经验模态分解-粒子群优化-长短期记忆(EMD-PSO-LSTM)的电力能耗预测模型。该模型首先采用经验模态分解算法将时间序列数据分解为多个本征模函数分量和趋势分量，然后对每个分量分别建立长短期记忆网络进行预测。各个长短期记忆网络的参数则由粒子群算法分别进行最优化求解，最后将所有分量的预测结果进行叠加得到最终的能耗预测结果。将预测结果与实际能耗数据进行对比分析来验证所提模型的预测性能。试验结果表明，该方法能够对电力能耗数据进行合理预测，预测精度较高。     

基于免疫遗传算法的GMDH网络模型及其应用

针对传统GMDH网络建模用最小二乘法辨识参数时常常陷入局部极小导致模型预测效果不理想的问题,提出将免疫算法与遗传算法结合起来,引入到GMDH网络,来辨识其部分描述式系数.给出自适应免疫遗传算法,构建了基于该算法的GMDH网络模型,并将IGA-GMDH模型应用于苏州一交叉口的交通流量数据的仿真研究.结果表明,该算法既保证了全局寻优和所求解的精度,又进一步提高了全局与局部寻优能力;所构建的IGA-GMDH网络模型比传统的GMDH网络预测精度高.     

一种新的过程神经网络训练算法及其应用(英文)

着重研究了基于离散数据的过程神经网络建模问题。考虑到来自现场的过程变量数据基本都是离散的采样数据,故先对离散采样数据进行预处理,然后采用离散Walsh变换法对数据进行转换,即将网络输入函数和权函数在Walsh基下映射为一组新的时变向量,将积分聚合运算简化为向量内积运算,实现离散采样数据对连续网络的直接输入。应用所建立的过程神经网络模型对发酵过程菌体浓度进行了预测,取得了较好的效果。     

基于MES的动态成本控制系统设计及其应用

以某钢铁公司选矿厂为背景,提出了在网络、数据库等信息技术支持下的基于ERP/MES/PCS三层框架结构的生产过程动态成本控制系统结构,设计并实施了选矿厂动态成本控制系统·系统以选矿生产过程为对象,按确定的成本中心采集各工序的成本数据,监测成本指标,完成成本的动态核算·并采用模型对成本进行分解、预测和分析,实现了成本的动态在线控制以及信息流、物流、资金流的集成,取得了良好的应用成效·     

基于EDLATrust算法的社交网络信息泄露节点概率预测

在社交网络信息传播过程中,信息转发在用户之间广泛使用,但是存在着隐私信息在信息发布者未授权的情况下遭到泄露的问题。预测发现隐私信息泄露节点,对杜绝该类安全隐患具有重要意义。该文针对隐私信息泄露节点预测问题,提出了一种基于估计器的分布式学习自动机的信任推断(EDLATrust)算法,该算法能够推断社交网络中非直连节点之间的信任值,并减少算法收敛次数。基于信息转发时通常采用的线性传播和群传播2种典型传播模型,设计了满足信任传播模型的3种特征,采用XGBoost算法进行节点链接关系预测。该算法实现了对社交网络信息泄露节点的概率预测,利用该预测概率可以有效辅助推断信息传播过程中的信息泄露节点,从而提高了社交网络信息传播的安全性。在3个社交网络数据集上的实验表明,使用该算法能够有效地预测信息转发链当中信息的泄露节点,保护了用户的隐私安全。     

基于RBF神经网络和RS理论的磨矿分级系统软测量模型

为了提高硫化镍选矿过程的效率并改善选矿产品的质量,运用RS理论研究了某选矿厂磨矿工艺多维数据的属性约简.在建立相应RBF神经网络预测模型基础上,给出了表征磨矿生产过程内在规律的最小知识表达,并基于该模型对选矿生产指标进行了预测.结果表明:磨矿工艺数据可以进行浓缩,生产过程经验操作能够找到相应的理论依据,从而加深了对生产工艺过程内在规律的认识;应用软测量技术获取了球磨机和旋流器内部状态主要关键参数,该模型分析过程相对简单,网络学习训练时间少、学习精度高;仿真结果表明估计值与分析值拟合良好.     

非线性时间序列的重构及预测

采用自适应前馈网络算法(AFN)进行非线性时序预测，对网络结构设计进行详细的探讨，并应用该方法对经典非线性时间序列数据进行预测，与传统预测方法(TAR)比较，结果证明此种方法具有较好的效果，网络的结构得到了简化。不仅满足了误差目标的要求，而且提高了网络的推广能力。且AFN方法可以对时间序列数据间的关系给出一种基于贡献率的解释。     

一种建模社交化点过程序列预测算法

根据序列数据预测下次事件类型和时间是一个值得研究的课题.目前点过程强度函数算法仅从时间维度考虑背景知识和历史影响两个方面,没有从空间维度加入社交关系的影响.针对该问题,提出基于时空深度网络的社交化点过程的序列预测算法(SPSP算法).该模型首先运用双LSTM(long short-term memory)分别建模强度函数的背景知识和历史影响;然后经过联合层将双LSTM输出合并,生成事件类型和时间向量表征;最后在空间维度上加入社交关系网络影响,优化强度函数.通过深度时空社交网络的多次训练,得到最优网络模型.在新浪微博数据集上的实验验证算法的有效性,证明社交化点过程序列预测算法可高效准确预测出事件类型与时间.     

神经网络在高技术项目投资风险评价中的应用

在对高技术项目投资风险因素分析的基础上，建立了能够预测项目投资风险的三层Levenberg-Marquardt Backpropagation Neural Network(LM-BP)人工神经网络模型。采用此人工神经网络模型，隐含层和输出层传输函数皆为purelin,各层内的所有权重相等，偏置也相等，模型避免了“过拟合”现象的发生。预测结果表明，该神经网络模型稳定可靠，所获得的结果是令人满意的。     

双输入样条神经网络权值与结构确定算法

基于样条函数逼近理论构建了以样条函数乘积为隐层神经元激励函数的三层双输入样条神经网络。该网络依据输入变量的空间结构,实现了训练数据的网格化划分,网络结构可随训练数据和网格划分数的变化进行相应调整,生成的权值矩阵做到了一步直接确定。仿真实验表明,双输入样条神经网络具有较高的建模精度,较短的运行时间,有效确定了训练数据网格划分数与网络结构的关系。     

一种RBF神经网络高精度算法研究及应用

剖析了RBF神经网络基本算法的原理以及激励函数参量与隐层单元数量按经验选取所带来的问题.基于RBF神经网络结构,以网络的权阈值为设计变量,网络误差为目标函数,通过合理的动态变量排序,构建了一种RBF神经网络的新的高精度算法,并编制计算程序.与RBF网络基本算法相比,这种算法是以权阈值为未知变量的真实优化过程,实现了RBF神经网络的高精度计算.从方程论理论出发,给出了网络隐层结构的合理确定方法.通过实例的程序分析,表明了该优化算法具有较高的样本拟合与插值精度,为进一步理论研究与工程应用提供基础.     

质量功能配置中基于ANN的顾客需求重要度评估方法

提出了一种基于人工神经网络（ＡＮＮ）的质量功能配置（ＱＦＤ）中顾客需求重要度评价方法,该方法的最大特点是直接从学习后的网络连接权重中提取出顾客需求重要度信息,讨论了网络的拓扑结构,以及如何从学习后的网络权重中提取出顾客需求重要度信息的方法,应用统计方法消除了网络学习初始权重对最终评估结果的影响,用一案例对提高提出的方法进行了验证,分析了网络隐含层节点数变化对顾客需求重要度评估结果的影响,实验表明,     

模糊优选神经网络多目标决策理论

把笔者建立的模糊优选理论与神经网络理论结合起来，提出确定网络拓扑结构：隐含层数，隐含导节点数与节点激励函数的合理模式，提出模糊优选神经网络权重调整ＢＰ模型；且网络有良好的学习功能。神经元激励函数具有明确的物理意义。     

基于改进的模糊聚类的RBF网络的设计

通过减法聚类与模糊c-均值聚类相结合的方法确定RBF网络隐层数据中心,用最小二乘法训练RBF网络的输出权向量,最后通过函数逼近的仿真实验来说明文中的聚类方法较以前的其它聚类方法效果更好更稳定。     

基于综合目标函数的神经网络多新息辨识算法

为提高动态神经网络学习算法的辨识精度及抗噪性能,提出一种基于综合目标函数的多新息辨识算法。该算法基于多新息理论在最小均方误差目标函数中引入一辅助项构造综合目标函数,利用该目标函数进行网络输出层权值的训练,并采用牛顿法推导出输出层权值的递推计算公式。与已有二阶学习算法相比,新算法鲁棒性强,收敛速度快,辨识精度高。仿真结果验证了算法的有效性。     

多项式前向神经网络

提出了一种新型的前向神经网络模型-多项式神经网络。该网络具有三层结构,隐层、输出层神经元激活函数分别为：f(x)=x^p和线性函数,网络隐层-输出层的权值采取最速下降法学习,输入层-隐层的权值采用遗传算法进行学习;网络学习时,其误差函数单调递减,学习算法具有较好的收敛性;该网络能逼近任意的连续函数,且具有较好的稳定性,应用实例表明该网络的性能是优良的。     

基于回声状态网络优化的宽间隔混沌跳频码预测研究

传统宽间隔混沌跳频码预测方法无反馈结构,记忆能力差;且训练过程烦琐,泛化性能差,对预测精度产生不好的影响。为此,提出一种新的基于回声状态网络优化的宽间隔混沌跳频码预测方法。设计回声状态网络,其由输入层、递归层以及输出层三个部分构成。在递归层内部各神经元间引入连接权值稀疏矩阵,使递归层内部存在动态记忆。回声状态网络储备池规模、储备池内部连接权谱半径、储备池稀疏度、储备池输入单元尺度对宽间隔混沌跳频码预测准确性产生不同的影响。通过和声搜索方法对四种储备池参数进行优化,实现回声状态网络的改进。确定优化回声状态网络输入输出数据,建立优化回声状态网络。确定储备池参数,通过训练数据激活储备池,计算回声状态网络输出连接权矩阵,对宽间隔混沌跳频码进行预测。实验结果表明,所提方法预测结果可靠,和其他方法相比有很高的预测精度。     

用BP网求解模糊控制器输入量的隶属函数

在模糊控制器设计中,需要对输入数据进行模糊化处理,用隶属函数描述;模糊变量隶属函数的选取对模糊推理有很大影响.利用BP网的分类性可以将采集到的清晰数据集广义地分成模糊类.选取具有一个隐层的PB网,输入层和隐层变换函数采用S函数,输出层用线性变换函数,在MATLAB环境下采用动量算法和自适应学习速率,调用trainbpx函数,对BP网进行训练,在训练时最后一层的输出越接近目标值越好.利用训练好的神经网可以对具体的输入数据求解对应于不同模糊区间的隶属值.用这种方法,速度快,误差小.