树脂薄膜光降解控制因素预测神经网络模型

利用试验室加速试验得到的不同配方COPO树脂薄膜的光降解试验数据，在分析薄膜降解各因素的基础上，选取薄膜降解后的力学性能3个指标为输入值，以COPO树脂薄膜降解的主要控制因素：环境温度、光照时间、光敏母料含量为输出值，利用MATLAB6．1软件中的神经网络工具箱建立了COPO树脂薄膜光降解控制因素预测的BP神经网络模型。讨论了模型的样本划分、网络参数、模型预测误差，选出最佳网络参数配置。模型预测精度高。     

可光降解聚乙烯薄膜的研究

以硬脂酸的铁盐和铈盐为光敏剂用母粒法制备了可光解聚乙烯薄膜,用差示扫描仪法(DSC)、热重分析法(TGA)、熔体流动指数(MI)和红外光谱(IR)分别表征光敏剂、光敏母粒和可光降解薄膜。根据经不同时间氙灯或自然曝晒后羰基指数及力学性能的变化,研究了这两种光敏剂含量对薄膜降解性能的影响。     

光降解用WO_3-TiO_2复合光催化剂

用溶胶 凝胶法制备了纳米WO3 TiO2复合薄膜型光催化剂·利用该薄膜对罗丹明B溶液的光催化降解作用,考察了钨酸盐种类及其掺杂量、涂膜层数、溶解氧、焙烧温度、焙烧时间、基体材料等因素对光催化活性的影响·结果表明,钨酸铵加入量x(W)=1 5%、多孔钛片为基质,涂覆9层、500℃下焙烧1h得到的WO3 TiO2薄膜型复合光催化剂活性最高,其光催化活性较纯TiO2光催化剂提高1 5倍·该温度下多孔钛片负载的TiO2为锐钛矿型·     

氯菊酯在沙土表面的光降解

为了研究氯菊酯在土壤中的光降解规律,更好地为其在自然环境中的光降解提供理论依据,以沙土做基质,通过控制几个典型的环境因素,探讨氯菊酯在沙土表面光降解的规律.并利用气相色谱-质谱联用仪对降解中间产物进行分析,以便探讨氯菊酯在沙土中可能的降解过程.根据实际情况,主要选择了以下几种影响因素进行研究:样品与光源的距离、氯菊酯含量、沙土厚度、光源类型、pH及含水量、腐殖酸和几种土壤中常见的无机盐含量.结果表明:靠近光源,减少厚度,使用紫外光源和添加含铁无机盐均有利于氯菊酯在土壤表面降解.     

基于神经网络的预测控制模型研究

本文研究基于生产过程输入输出数据建立的神经网络模型问题。训练好的神经网络可作为预测模型，实现非线性系统预测控制；这对一大类过程控制系统的建模与控制具有启发意义。     

基于神经网络的预测控制模型研究

本文研究基于生产过程输入输出数据建立系统的神经网络模型问题，训练好的神经网络可作为预测模型，实现非线性系统的预测控制；这对一大类过程控制系统的建模与控制具有启发意义。     

基于神经网络方法预测薄膜的功函数

首次利用前馈３层神经网络模型,结合薄膜场发射的特性,建立了场发射薄膜功函数的神经网络预测模型,并用金刚石薄膜的实验数据样本进行了验证,结果表明,该模型预测的相对误差小于６．４％,具有很好的预测性能,从而可以通过已知薄膜的功函数来预测未知薄膜的功函数。     

基于模糊神经网络的模型预测硅单晶直径控制

为了生产大尺寸、高质量、低能耗的直拉单晶硅棒,文中通过在直拉硅单晶生产车间采集的大量数据,通过模糊神经网络(Fuzzy Neural Networks, FNN)和模型预测控制(Model predictive control, MPC)进行建模,得到了等径阶段的直径预测模型和直径控制模型。直径预测模型测试结果表明：平均相对误差仅为0.028 7%,预测精度极高。通过仿真并与常规PID控制进行对比分析得出,MPC比常规PID控制的调节速度快53.66%,并且MPC的控制过程非常稳定,其超调量基本为0;由加热器功率调控变化过程可知,MPC减少了调节过程的能耗,并提高了热场稳定性及单晶硅棒质量。通过预测模型建立的直径控制模型能提高控制精度并促进硅单晶高质量生产。     

煤基光敏剂对薄膜降解性能的影响

通过户外曝晒自然老化和室内人工加速老化降解实验研究了XUS系列煤基光敏剂对薄膜光降解性能的影响。结果表明煤基光敏刺对薄膜的光降解有较好的催化作用，三种煤基光敏剂的催化活性顺序为：XUS-TF〉XUS-H〉XUS-T。改变煤基光敏剂的类型和添加量可以调节薄膜的光降解速度。煤基光敏刺的光催化活性与煤结构有关。     

基于DSP的人工神经网络环境控制系统

文章提出了将人工神经网络结合遗传算法应用于环境控制的新方法。该方法利用遗传算法在线计算控制量,利用人工神经网络模拟被控对象的动态特性,从而代替被控环境进行分析。同时,针对DSP的高速运算机能,解决了在工程应用中难以用一般的CPU完成实时控制的要求。该系统充分发挥了人工神经网络和遗传算法各自的特点,是具有良好发展前途的新型的环境控制系统。     

基于人工神经网络的火控系统故障诊断

阐述了人工神经网络的基本原理,研究分析了BP神经网络的缺陷并提出了优化策略。在此基础上,将BP神经网络应用于火控系统故障诊断之中,提出了基于此网络的火控系统故障诊断模型、实现方法和优点。     

基于神经网络预测模型的高速公路递阶控制

利用递阶结构和神经网络来进行高速公路入口匝道控制，其基本思想是：把高速公路作为一个大系统问题，子系统为高速公路的路段，协调控制层负责计算各路段的期望轨线，应用神经网络对各路段交通状态进行预测，并根据预测结果实施控制。给出了控制器的构造方法并进行了仿真实验，实验结果表明，该方法能够有效地消除交通拥挤和维持主线车流稳定。     

基于神经网络模型的扩展优化自校正预测控制

利用前馈神经网络权初值优化的快速BP算法建立对象的非线性预测模型,采用分段线性化的技术建立动态线性模型,基于该线性模型进行滚动优化,同时用非线性预测模型对其进行补偿,实现对具有时延的非线性系统的预测控制,较好地解决了非线性系统存在时变、模型失配等情况下的控制问题。仿真实验表明由它构成的控制系统具有很好的动态响应和较强的鲁棒性。     

基于正则神经网络模型的时滞混沌系统预测控制

研究模型未知、不稳定的不动点位置及其局部性态未知情形下的时滞混沌系统的控制问题。提出了一种神经网络预测控制方法,将模型未知时的时滞混沌运动控制到不稳定的不动点处。分析了控制系统(包括观测器、正则神经网络预测器和在线训练的线性神经网络预测控制器)的稳定性,与现有同类方法比较,本方法收敛速度快,算法简便。仿真实验表明了本方法的有效性。     

基于人工神经网络的建筑多目标预测模型

为得出一种能快够速且准确预测建筑能耗和室内热舒适状况的方法,提出应用人工神经网络来预测建筑能耗和室内热舒适状况的方法,并通过遗传优化算法对神经网络的连接权进行优化;其次,对影响建筑能耗和室内热舒适状况的主要因素进行分析,并针对这些主要因素建立基于GA-BP网络的建筑能耗和室内热舒适状况的预测模型;结合EnergyPlus模型计算所得出的144组样本数据,训练和测试所建立的住宅建筑能耗和室内热舒适状况的GA-BP网络模型,测试结果表明该模型有较高的预测精度.该预测方法的建立使建筑师在设计阶段能够简单且准确地获得设计建筑的能耗和室内舒适状况,从而使设计向着有利于建筑节能和改善室内热环境的方向发展.     

两层模糊神经网络交通信号控制模型

交叉路口信号的有效控制是减少车辆延误时间的关键,是保证城市交通顺畅的前提。以单交叉路口为研究对象,在仿真希腊学者Pappis提出的模糊控制方法基础之上,基于交叉路口的动态特性及模糊规则的一成不变,提出两层BP神经网络实现单交叉路口的模糊信号控制方法,在不同车流量情况下,使用MATLAB工具仿真实现,结果表明:所提出的模糊神经网络具有较强的学习、推理能力,对于车辆的平均延误时间有较好的改进。     

膨胀土胀缩变形量的人工神经网络预测模型

：膨胀土的膨胀特性会对工程造成很大的危害，对膨胀土的膨胀量进行预测具有重要的现实意义。针对膨胀土特殊上程任质’分析了胀缩变形量的影响因素。结合人工神经网络原理，建造了膨胀土胀缩变形量的人工神经网络预测模型。采用BP神经网络和所建造的数学模型，对膨胀土的胀缩变形量进行预测。结果表明，该模型映射精度较高，有较好的实际应用价值。     

模糊神经网络内模控制

内模控制(IMC)是一种先进的控制算法,具有很强的抗干扰性及鲁棒性,在工业过程控制中应用广泛.内模控制的控制性能往往取决于被控对象的模型,因此,如何得到被控对象的精确模型成为关键问题.对于工业中常见的非线性过程,传统的设计方法很难得到满意的控制效果.模糊控制和神经网络的引入为非线性内模控制的研究提供了一种新方法.模糊逻辑适合表达机遇规则的知识,而神经网络具有较强的自学习及自适应能力.将模糊逻辑与神经网络相结合,应用于内模控制中,对基于该模糊神经网络(FNN)的内部模型和控制器的建立进行了分析.仿真结果证明该算法是有效的,具有很强的自适应性和鲁棒性,可以应用于非线性及时变系统中.     

基于RBF神经网络的预测控制

运用神经网络解决系统的非线性问题,用预测控制解决系统时滞问题．针对制冷系统膨胀阀控制回路具有时滞、非线性的特点,提出了将基于RBF神经网络的预测控制用于蒸发器过热度的控制．仿真与应用均表明该算法具有良好的动态响应和较强的鲁棒性,能够对蒸发器过热度进行有效的控制．