人工神经网络在红霉素发酵过程状态预估中的应用

探索了动态ＢＰ网络和ＲＢＦ网络在红霉素发酵过程状态预估中的应用,比较了它们的收敛速度和学习能力。结果表明,ＢＰ网络和ＲＢＦ网络都具有相当好的学习能力,但ＲＢＦ网络的收敛速度更快,训练好的神经网络,在红霉素发酵过程中可在线预估出红霉素效价、葡萄糖浓度、ＮＨ２－Ｎ浓度、丙醇浓度和菌体浓度等参数值,并可在进上步的过程优化和控制中应用。     

基于FLNN的多粘菌素发酵过程建模

为解决由于缺乏传感器使众多状态参数难以在线测量的问题，建立了多粘菌素的发酵过程模型，对许多重要的状态参数进行了预估．通过在FLNN内部增加一个带有局部激活反馈和一个局部输出反馈的自回归滑动平均滤波器使其成为动态的FLNN网络，并把它运用于多粘菌素发酵过程的建模中，结合遗传算法实现对其发酵过程的茵体浓度、总糖浓度和相对效价进行预估，为实际生产和优化控制提供了有利条件．仿真结果表明，基于改进的FLNN建立的多粘菌素发酵过程模型预估效果良好．     

木糖醇发酵过程的软测量研究

针对木糖醇发酵过程中木糖醇浓度不能在线测量和影响发酵过程控制的情况,使用软测量技术来估算木糖醇的浓度和底物浓度,使用动态BP网络作为软测量模型,并确定了10个隐含层节点的网络拓扑结构,使用LM算法训练网络。用未经训练的数据检验软测量模型,取得了满意的逼近效果。实现了木糖醇发酵过程木糖醇浓度和底物浓度的间接实时测量。     

基于动态递归神经网络的动态矩阵控制

给出了利用动态递归神经网络 (DRNN)重构一个非线性动态过程的方法 ,对权值调整算法进行了推导。采用的动态递归神经网络具有非线性系统状态观测器的结构特征 ,容易实现并进行稳定性分析。利用训练好的网络作为预估模型 ,设计了基于DRNN的动态矩阵控制算法。仿真结果表明了权值调整算法和控制策略的有效性     

基于动态递归神经网络的动态矩阵控制

给出了劝态递归神经网络（DRNN）重构一个非线性动态过程的方法,对权值调整算法进行了推导。采用的动态递归神经网络具有非线性系统状态观测器的结构特征,容易实现并进行稳定性分析,利用训练好的网络作为预估模型,设计了基于DRNN的动态矩阵控制算法,仿真结果表明了权值调整算法和控制策略的有效性。     

青霉素发酵过程中溶解氧的变结构预估控制

溶解氧是青霉素生产发酵过程中的重要参数之一,其浓度与菌体细胞的生长速度密切相关.在青霉素发酵过程溶解氧变化机理的基础上,将模糊神经网络和变结构预估控制方法相结合,研究了基于模糊神经网络的青霉素发酵过程溶解氧的变结构预估控制方法,设计了青霉素发酵过程溶解氧的变结构预估控制系统.实验结果表明,对青霉素发酵过程中的溶解氧浓度进行变结构预估控制,可以使溶解氧浓度的调节达到满意的效果,既降低氧消耗,又避免出现氧抑制现象,使发酵过程始终处于较优的状态.     

一种NPCCS的时延补偿与控制方法

针对网络时延的存在影响系统稳定性的问题,提出一种基于新型内模控制和Smith预估控制的NPCCS时延补偿与控制方法.以真实网络数据传输过程代替其间网络时延预估补偿模型,在满足被控对象预估模型等于其真实模型的情况下,可实现对网络时延的动态补偿与控制.仿真结果表明,系统具有良好的跟踪性能,较强的鲁棒性和抗干扰能力.     

发酵过程状态预估的BP神经网络模型实现

论述了利用改进的BP神经网络实现发酵过程状态预估模型的设计原理和方法,包括BP神经网络的拓扑结构选取、学习和测试样本的选择及处理,变步长引入动量项BP神经网络的训练方法以及全局收敛法的实现等。此外,用VC实现了发酵过程BP神经网络建模平台。经聚赖氨酸发酵过程验证,其模型具有良好的收敛性能和泛化性能,可应用于发酵过程状态参数的在线预估和测量。     

混合算法在抗生素发酵过程控制中的应用

提出了用遗传算法和BP算法相结合的混合算法来训练前向神经网络权系数,文中对整个过程进行了详细的介绍,并应用于抗生素发酵过程的逆动力学模型的网络训练.作者对发酵过程的逆动力学模型进行了仿真,文末给出的训练结果显示此方法是可行的.     

基于MATLAB的洁霉素温度控制系统的仿真设计

发酵过程温度控制系统是典型的纯滞后系统,采用常规PID控制存在较明显的超调和较长的调节时间。采用Smith预估控制实现发酵温度过程控制,以洁霉素发酵温度控制系统为例,用MATLAB进行仿真设计,从仿真结果上可以看出,采用Smith预估控制能取得满意的控制效果。     

基于Elman神经网络集成的诺西肽发酵过程建模

针对单神经网络模型外推效果不理想、泛化能力较差的缺点,将神经网络集成用于诺西肽发酵过程的建模.采用Bagging技术进行重复取样用于个体神经网络的训练,结论生成时采用加权平均法,各子网络的权重利用差分进化算法来确定.个体神经网络选用典型的动态神经网络Elman网络,通过对多个Elman神经网络模型的输出进行融合,建立了基于神经网络集成的诺西肽发酵产物浓度模型.最后将所建立的模型与基于单神经网络的模型进行了比较,结果说明该模型具有更高的精度和泛化能力.     

基于多聚合过程神经元网络的宁东大气污染物浓度预测研究

已有的基于人工神经网络对大气环境质量预测的研究大多只考虑空间特性,因此,无法准确刻画大气环境中污染物浓度随时间的动态变化规律,更不能实现影响污染物浓度诸因子在时间维上的有效预测。鉴于此,主要在时间、空间上对多聚合过程神经元网络模型进行多次训练与学习,并将训练好的模型对宁东能源化工基地大气环境中污染物SO2的浓度进行预测。仿真实验表明:多聚合过程神经元网络对于大气环境中SO2浓度具有较好的预测能力。     

船舶航迹保持的神经网络控制器研究

提出一种船舶航迹保持在线神经网络控制器。该控制器能解决精确的船舶动态模型难以建立的问题,能用舵角同时控制航迹偏差和航向偏差,能通过对控制精度的直接计算来自动地在线训练学习而不需离线训练学习过程。计算机仿真结果表明了该控制器训练方法的有效性和控制的鲁棒性。     

生物发酵过程的温度控制模型研究

针对生物发酵过程中温度控制难以建模的问题,基于非线性自回归滑动平均(NARMA)模型,设计了神经网络自回归滑动平均(NN-NARMA)模型.利用径向基神经网络逼近NARMA模型中的映射关系,对神经网络的输出进行了二阶低通滤波,用变异率可调节的遗传算法优化了NARMA模型中的延时参数以及神经网络的输出滤波参数.应用该方法建立了生物发酵过程的温度控制模型,该模型在上温、中温和下温的误差相对于Elman神经网络模型分别减少了38 9%、13 5%和61 3%.该方法具有一定的可操作性,能够较好地解决生物发酵过程中的温度控制建模问题.     

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。     

基于实数编码遗传算法的发酵过程优化控制

针对谷氨酸发酵过程的复杂性,利用人工神经元网络建立了谷氨酸发酵过程的动态数学模型,并利用实数制编码的遗传算法,采用过程整体优化的思路,以发酵过程中糖转化为谷氨酸的转化率为优化目标对发酵过程的多个操作变量同时进行优化,得到各个操作变量的最优控制轨迹.考虑到发酵过程中流加操作的重要性,将流加操作开始和结束的时间作为控制变量进行了优化.与产酸率为优化目标的仿真结果比较表明,该方法使发酵过程转化率有很大提高,且产酸率也接近于后者的最优产酸率.     

基于神经网络的汽轮发电机汽门开度控制器

汽轮发电机汽门开度调节过程是一个连续非线性动态过程。本文将之离散化并用多层BP网络逼近这一过程，构造了三种结构不同的神经网络汽门开度控制器。数字仿真测试证实了设计方案的可行性。基于对仿真结果的对比分析，文中讨论了神经网络对电力系统动态特性的抽取能力．并分析了样本选择与离线训练精度对控制器性能的影响。     

基于两级神经网络的发酵过程多变量前馈解耦控制

针对具有时变、非线性、不确定性的多变量耦合生物发酵过程,提出了一种基于两级神经网络的多变量前馈解耦方法.一级神经网络利用可获得的过程信息拟和耦合通道的过程特性,实现耦合作用对被控量影响的估计;二级神经网络用来拟和控制通道的逆特性.通过两级网络的串联,消除系统间的耦合.实验结果表明,提出的解耦控制方法能适应生物发酵过程模型的不确定性和参数时变性,克服了前馈解耦方法依赖于过程模型和对模型参数的变化表现敏感的缺点.