基于改进的BP网络的循环流化床锅炉建模

由于循环流化床锅炉燃烧系统具有多变量耦合、大滞后和非线性等特点,对此建立精确的数学模型相当困难。因此提出基于改进的BP神经网络的方法对燃烧系统进行建模,并对网络进行了改进,引入附加动量项和自适应学习率。根据所提的建模方法进行实际建模。计算结果表明,该模型能够较好的对床温进行预测,可以反映主要参数变化时循环流化床锅炉床温的动态特性,说明了该建模方法的可行性,具有一定的实际应用价值。     

循环流化床锅炉床温动态建模与仿真

在分析了循环流化床锅炉床内温度动态特性的基础上，通过对循环流化床锅炉动态特性的主导过程-动态物料平衡．动态残碳量平衡以及动态能量平衡以及辅助过程-氧气浓度平衡，焦炭颗粒能量平衡的描述，建立了以给煤、一次风、二次风和排渣为输入变量的动态模型．结合某220t／h循环流化床锅炉的现场数据．采用MATLAB6．5软件对所建模型进行了连续脉冲动态仿真和实时仿真，连续脉冲动态仿真结果可以很好地反映输入脉冲变量发生变化时床温的动态响应情况．实时仿真结果与现场采集到的数据能够很好吻合．     

基于神经网络驾驶员模型的PIO预测分析

在PIO研究中,拟线性的McRuer驾驶员模型,因其结构简单、能反映驾驶员基本的行为特性而被广泛采用,但在通常情况下,驾驶员的行为具有高度的非线性,而运用神经网络模型可以更精确地描述驾驶员的非线性特性。以某机为例,利用试飞数据对神经网络进行训练和验证,建立了神经网络模型。通过仿真运算,并用时域Neal-Smith（TDNS）准则对该飞机进行了PIO预测分析。结果表明,与McRuer驾驶员模型相比,神经网络模型可以更好地逼近驾驶员特性,据此运用TDNS准则可以很好地对PIO趋势进行预测。     

用BP神经网络对气流床粉煤气化炉的预测

利用3层BP神经网络对气流床粉煤气化炉进行模拟研究.以Gibbs自由能最小化方法建立粉煤气化炉数学模型的模拟结果作为BP神经网络训练数据,训练后的BP神经网络模型对模拟数据的预测准确度较好.以Shell粉煤气化炉和国内首套粉煤加压气化中试装置上的实际生产数据作为BP神经网络的训练数据,训练后的BP神经网络模型能预测实际生产数据.     

模糊神经网络自适应控制在循环流化床锅炉燃烧控制系统中的应用研究

循环流化床锅炉是一种比较复杂的被控对象,采用常规的控制方法难以收到好的控制效果。在本文中,根据模糊控制理论和神经网络技术,一种模糊神经网络控制器被提出,通过对神经解耦网络的合理设计,使得该控制器不但可以适应被控对象的变参数运行工况,而且可以实现循环流化床锅炉燃烧过程主汽压力与床层温度的解耦。仿真试验和现场应用结果证明,本文提出的模糊神经网络控制器对循环流化床锅炉燃烧过程具有良好的控制效果。     

循环流化床锅炉煤燃烧效率研究

人们已经认识到飞灰含碳量是燃煤循环流化床锅炉的重要问题．它影响了燃烧损失和锅炉效率．在循环流化床实验台上对六种煤的燃烧进行了研究,与燃用相同煤种的循环流化床锅炉的结果比较,并与热重分析(TGA)数据关联,结果表明,飞灰含碳量不仅受运行参数如床温、过量空气系数、配风情况、床存量及床质量的影响,而且受煤特性影响,煤本身的反应活性是最主要的．利用热重分析(TGA)数据可以预测该燃料在循环流化床锅炉燃烧时的飞灰含碳量。     

循环流化床锅炉传热特性分析

作为循环流化床锅炉整体数学模型和控制系统研究工作的一部分,结合环核结构的流动数学模型,建立了循环流化床锅炉的传热数学模型,对对流传热系数和辐射传热系数随炉膛高度的变化情况以及运行参数改变对循环流化床锅炉传热特性的影响进行了仿真研究,仿真结果表明,一二次风配比的改变和过量空气系数的改变都会使循环流化床锅炉的传热系数改变,但对对流传热系数的影响更大一些,即传热系数与辐射传热份额的变化方向相反。     

在煤矿循环流化床锅炉仿真中RBF神经网络的应用

为了解决煤矿循环流化床锅炉燃烧实时动态数学模型的高阶、多变量微分方程不易求解等问题,提出利用RBF神经网络实现该模型的参数辨识,并提出利用小生境克隆选择算法提高RBF网络学习算法的收敛性。通过SNCC循环流化床仿真系统的数字仿真验证,算法具有良好的收敛性和逼近效果,并避免了传统模型的复杂微分方程求解过程。     

440 t/h循环流化床锅炉整体动态模型及仿真

建立循环流化床锅炉的整体动态模型对循环流化床锅炉设计、生产优化、自动控制系统的开发研究等有至关重要的影响.本文在综合分析循环流化床锅炉床温和汽包压力的动态特性的基础上,采用集中参数化的方法,分别建立了燃烧系统模型和汽水系统模型;并通过炉膛传热量,将燃烧系统模型和汽水系统模型结合起来,从而建立了以给煤、一、二给风为输入变量的循环流化床锅炉的整体动态模型.并对所建立的模型方程进行仿真,结果分析证实了该模型的正确性.     

循环流化床锅炉的特点及经济性分析

从循环流化床锅炉的结构及燃烧机理上 ,说明它的五大优点 ,并从与链条炉进行的经济性对比分析中 ,可以看出使用循环流化床锅炉的经济效益非常显著     

基于模型参考的锅炉燃烧系统神经网络控制和辨识

大纯时延、煤种多变和蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。对非线性延迟系统延迟时间的神经网络辨识方法进行了研究,即改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间。将神经网络大延迟系统的辨识与基于神经网络动态补偿的模型参考自适应控制策略相结合,可用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制。仿真结果表明:这种神经网络模型对非线性大纯时延系统的控制具有控制速度快、鲁棒性能好等优点。     

基于主成分分析的短期负荷预测模型

电力负荷预测的准确性直接影响到电力系统的安全性和经济性,但在应用神经网络进行短期负测精度造成了显著的负面影响。针对这一问题,本文采用多元统计分析中的主成分分析,根据各主成分贡献率对输入空间进行约简,提取线性无关的输入变量,以此达到压缩变量维数的目的,然后利用考虑模型输入变量相互关系的递推合成BP网络进行预测,使之更符合电力短期负荷预测的特点,提高模型的预测精度。仿真实验的结果表明,该简化模型用于短期负荷预测建模速度快、预测精度高,是一种行之有效的方法。     

多字体字符识别的分级协同模型

提出了一种用于多字体字符识别的分级协同神经网络模型。该分级模型的识别由两部分组成：Haken的协同网络确定识别进入哪个协同子网;用协同子网进行具体识别。对大量实际采集得到的多字体字符样本的测试表明：新模型能有效地提高协同神经网络对多字体字符的识别率,但由于仍保留了识别速度快的特点,所以新模型适用于实时的光学字符识别应用,对加噪字符的识别试验表明该模型具有很好的鲁棒性。     

延迟时间未知的时延系统神经网络补偿控制

提出了延迟系统及延迟时间参数的神经网络辨识方法。改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间。将神经网络大延迟系统的辨识与基于模型补偿的控制策略相结合,可以用于具有变化参数或者不确定性延迟时间的大延迟系统的控制。仿真结果表明这种神经网络模型补偿延迟系统控制具有很好的控制效果,它是大延迟控制中克服延迟时间变化的很有希望的方法。     

基于改进的卷积神经网络图像识别方法

当前的图像特征识别大多采用的是传统的机器学习方法与卷积神经网络方法。传统的机器学习对图像识别的研究,特征提取多是通过人工完成,泛化能力不够强。最早的卷积神经网络也存在诸多缺陷,如硬件要求高,需要的训练样本量大,训练时间长。针对以上问题,提出了一种改进的神经网络模型,在LeNet-5模型的基础上并在保证识别率的情况下,简化网络结构,提高训练速度。将改进的网络结构在MINIST字符库上进行识别实验,分析网络结构在不同参量中的识别能力,并与传统算法进行对比分析。结果表明提出的改进结构在当前识别正确率上,明显高于传统的识别算法,为当前的图像识别提供新的参考。     

改进的神经网络快速学习算法

提出了一种新颖的神经元模型和用于神经网络训练的推广准则，给出了多层神经网络的快速学习算法，研究了一种用于语音识别的时变多层神经网络及其相应的快速学习算法．语音识别实验表明：所给出的快速学习算法能有效地加速网络训练进程．     

一种基于RBF神经网络优化算法在入侵检测中的应用

入侵检测系统是当前信息安全领域的研究热点,在保障信息安全方面起着重要的作用．笔者对原有的基于RBF神经网络的入侵检测模型进行改进并给出了设计思想．该模型能将入侵检测系统的两种检测技术——误用检测和异常检测有效地结合起来,使用两层RBF神经网络训练模块,三层训练机制,在训练时间方面有较大的优势,并能实时地检测到新型攻击．     

电力系统短期负荷预测的多神经网络Boosting集成模型

提出了一种改进的多神经网络集成自适应Boosting回归算法.算法中采用相对误差模型代替绝对误差模型,可以更接近于回归预测问题的要求,并在Boosting迭代过程中,在对训练集采样得到新的训练子集的同时,也对校验集采样得到新的校验子集,保证了两者的一致性.进而采用美国加州电力市场的实际数据,建立了由多个神经网络集成的电力系统短期负荷预测模型.预测结果表明,与传统的单网络预测模型相比,Boosting集成预测模型能显著提高模型输出的稳定性,增强网络结构及模型选择的可靠性,获得更高的预测精度.     

微通道阻尼特征的神经网络建模与训练

为了提取微通道的结构特征参数与阻尼系数的映射关系,采用三层前馈神经网络建立了微通道阻尼特征模型。同时,为了提高模型训练的效率,提出了PSE-BP算法。以等截面的矩形截面直线形微通道为例,利用数值仿真产生训练样本,对模型进行了训练,对训练结果进行了实验验证。相比BP算法,PSE-BP算法的训练效率提高了20倍以上,训练与仿真结果吻合较好。PSE-BP算法训练的理论计算与实验结果的平均偏差为5.2%,BP算法训练的理论计算与实验结果的平均偏差为5.8%,理论与实验曲线吻合较好。     

基于镜面反射原理进行水位视觉检测的新方法

在现有的水位视觉检测技术中,光照和水面倒影的干扰是不可避免的。针对这一问题,利用水面具有镜面反射现象提出一种水位检测的新方法。首先,采集不同水位高度的10幅图像作为训练样本,建立图像像素坐标与相应的实际水位高度之间映射关系的神经网络模型;然后,利用辅助光源照射在岸边产生镜面反射现象,采集水位图像并提取水位高度相应的图像坐标;最后,根据建立的神经网络模型,以200幅水位图像作为测试样本,计算出水位实际高度。在量程为400 mm的精度下,神经网络模型的平均误差为0.02 mm,计算结果的平均误差为0.53 mm。由于减少了镜面反射的影响,取得了较高的精度,为水位视觉自动检测装置的开发提供了理论基础。