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。     

金融工程中组合模型的神经网络算法

借助于神经网络的思想,提出求解Ｍａｒｋｏｗｉｔｚ模型的神经网络算法,证明了其解的存在性,稳定性和有效性,该结论很容易推广到一般二次规划问题,从而丰富了求解二次规划问题的方法。     

基于组合神经网络的教师评价模型研究

本文提出的基于组合神经网络的教师评价模型,可以弥补以往基于神经网络的教师评价模型的不足,不但可以给出教师的综合得分或所属类别,还可以给出教师在每个方面的得分.所使用的组合神经网络,由多个结构相同的BP神经网络组成;用构建的组合神经网络和传统BP神经网络分别进行实验.仿真实验表明,该模型相对误差较小,可以满足评价需求.     

Parex过程基于神经网络简化模型的操作优化

以芳烃吸附Ｐａｒｅｘ过程为例，在建立其稳态机理模型的基础上，采用正交设计方法获得了 特性数据；根据这些数据建立具有一个隐层的神经网络模型，并以此作为优化操作的简化模型。采用一种新的优化方法，得到吸附塔的最佳操作条件，以实现计算机的二级优化控制。     

基于组合神经网络的启发式工控系统异常检测模型

为了提高工控系统入侵的检测率,讨论了传统工控入侵检测技术的原理,并从信息论的观点进行了对比研究.通过对工控系统特异性及其攻击手法的建模,归纳出工控攻击在协议栈、统计特性、通信行为等方面表现出的动态和静态指纹,基于一种新的异构信息的抽象方法,提出并实现了一个基于组合神经网络的启发式工控系统异常检测模型.测试结果表明该检测模型运行高效,相比一般智能方法检测结果更为准确.     

基于BP神经网络优化的灰色线性回归组合模型应用分析

在分析灰色线性回归组合预测模型基本原理的基础上,利用MATLAB强大的计算功能,实现组合预测模型算法。通过实例分析发现拟合结果对实测值出现一定的波动性,故通过建立实测值与模拟值之间的比值序列,再利用BP神经网络模型对该比值序列进行建模优化,以进一步优化组合模型的预测精度。最后实例证明了该优化模型具有较高的拟合和预测精度,是一种可行、有效的优型变形数据分析模型。     

混合神经网络模型用于煤焦气化过程的模拟

以煤焦气化反应模型为基础,结合BP神经网络参数估计器,建立了用于模拟煤焦气化过程的混合神经网络模型。结果表明该混合神经网络模型能很好地描述煤焦的气化过程,可以得到在实验过程中无法测得的2个参数,即:在煤焦中具有活性的碳与总碳的比值A和具有活性碳的单位质量反应速率Rr。     

啤酒发酵过程中神经网络糖度混合建模

发酵是一个复杂的反应过程对象，其内部反应的机理模型一般都难以精确得到，从而给反应过程参量的在线检测与控制带来困难。本文分析一些基于神经网络的混合机理建模的解决方法，并对随机搜索策略的学习方法进行建模与估计进行探讨，最后给出相应的仿真结果。     

基于神经网络组合模型的能源消费量预测研究

为了提高预测的精度,将神经网络组合预测模型应用于能源消费总量预测中,通过建立RBF、ELM、BP神经网络预测模型,用熵值法确定组合预测模型的加权系数,建立神经网络组合预测模型.利用安徽省统计年鉴获得的1991～2007年安徽省能源消费总量进行检验仿真,结果表明组合预测模型的误差较小,精度较高,预测结果更接近于实际情况.     

活性污泥过程MISO神经网络模型

用误差反向传递 ( BP)神经网络模拟了活性污泥过程 ,发现使用多输入多输出 ( MIMO)神经网络来模拟活性污泥过程变量间关系时 ,线性部分误差较小 ,非线性部分误差较大 ;但若用数个多输入单输出 ( MISO)神经网络的组合来模拟时 ,则对活性污泥过程的线性或非线性关系均能很好模拟     

前馈神经网络中BP算法的一种改进

在传统的BP算法基础上,提出了一种改进的BP学习算法,先加入描述网络复杂性的量,使算法能够考虑到网络的连接复杂性,进而有可能删除掉冗余的连接甚至节点;接着提出对网络的学习步长的动态调整,以此来尽量避免传统学习中的学习速度过慢和反复震荡;然后给出新的算法是高阶非线性收敛的证明;最后通过实验说明的新的BP算法在一定程度上可减少网络的复杂性,有着比传统算法更快的收敛速度。     

一种新的单层神经网络学习算法分析模型

提出了适用于单层神经网络快速学习算法分析的一种新模型——广义系统辨识模型，分析了Ｋａｒａｙｉａｎｎｉｓ的快速ＢＰ算法．研究结果表明：利用所提出的新模型，能有效地进行单层神经网络学习算法的性能分析     

模糊超球神经网络的条件重叠学习算法

模糊超球神经网络的聚类学习算法采用形状因子θ实行有指导的学习.针对θ的引入所带来的问题,提出一种新的无指导学习算法--条件重叠学习算法.算法不受模糊超球形状因子θ的影响,学习速度快,学习后的模糊超球个数更少,识别正确率更高.     

从数据库中提取规则的神经网络方法

评述了利用神经网络从数据库中进行规则发现的几种方法,采用权值组合算法提取规则;利用模糊推理神经网络,采用CamDelta算法提取模糊规则;基于从数据中提取模糊控制规则利用生长自组织映射神经网络,采用分级聚类SOM算法发现规则利用CFNet网络,基于可信度因子,提取不确定性规则;利用模糊颗粒神经网络,采用启发式学习算法,从数值-语言数据中发现规则.提出了数据库中提取规则所面临的几个问题,以及解决这些问题的某些思路.具体提出了一种分布式环境下基于多Agent技术的规则提取方法.图6,参17.     

基于粒子群优化的过程神经网络学习算法

基于粒子群优化为过程神经元网络提出了一种新的学习算法。新算法在对网络输入函数和连接权函数进行正交基函数展开后,将网络中的结构参数和其他参数整合成一个粒子,再用粒子群优化算法进行全局优化。新算法不依赖于函数梯度信息,不需要手动调节网络结构。粒子群优化具有良好的全局优化性能和收敛性能,保证了过程神经元网络的全局学习能力和新学习算法的收敛能力,更好地发挥过程神经网络的逼近性能。两个实际预测问题的实验结果表明,基于粒子群优化的学习算法比现有的基于梯度的基函数展开方法以及误差反传神经网络模型具有更好的预测精度。     

实现操作人员控制策略的模糊神经网络方法

通过一个仿真实例的研究。阐述了实现操作人员控制策略的模糊糊神经网络方法，并讨论了模糊神经网络控制器的鲁棒性问题，仿真结果证实了该实现了方法的有效性。     

基于RBF神经网络的一类非线性系统模糊自适应控制

针对一类非线性不确定系统,基于ＲＢＦ神经网络,结合模糊滑模控制提出了一种自适应控制方法。根据Ｌｙａｐｕｎｏｖ稳定性理论设计ＲＢＦ网络和模糊滑模补偿控制器的参数。     

遗传算法结合改进前向神经网络进行叶轮设计

为加速遗传算法的进化过程和缩短其进化周期，探讨了将遗传算法融合神经网络进行离心叶轮形状优化设计的方法，即应用神经网格替代有限元法来完成结构优化设计中的静应力分析任务．同时，提出一种改进的前向反馈神经网络(BP算法)，在训练过程中，学习率和动量项依据输出的均方差自适应调整，来加快网络训练速度和改善收敛性．采用混合神经网络的遗传算法对某离心压缩机叶轮进行优化设计，结果表明优化设计时间可缩短至单纯采用遗传算法的几十分之一，同时也验证了该方法的有效性和可行的。     

一类多时滞中立型方程描述的神经网络渐近稳定时滞依赖判据

通过引入适当的Lyapunov-Krasovskii泛函,给出一类由多时滞中立型方程所描述的神经网络的稳定性判据,该稳定性判据不仅与离散性时滞相关,而且依赖中立型时滞,由于稳定性判据基于线性矩阵不等式,因此其求解方法可以使用各种凸优化算法,使用Matlab工具箱中的线性矩阵不等式算法,给出数据仿真实例,验证了方法的有效性.     

识别数学符号的神经网络方法

采用 BP网络和 Kohonen自组织特征映射网络组成的多级神经网络模型 ,对数学符号进行识别 ,引入“雪球”和平滑训练方法以提高网络性能 .实验结果表明 ,该模型对数学符号的识别 ,特别在有噪音污染的情况下 ,具有较好的效果 .