基于小波神经网络的大型多辊热连轧机产品质量模型

依据小波的非线性逼近能力和神经网络的自学习特性，提出一种适合高维输入的小波神经网络建模方法。这种小波网络结构类似多层感知器，不同的是隐层神经元的激励函数为小波函数，分别对3种小波函数进行试验，利用多种优化算法训练神经网络，经比较，选择B－样条函数为激励函数，利用L－M算法较为理想，成功解决了32维输入的大型多辊热连轧机钢板材质量建模问题，经过8600组实测数据拟合和检验，测试结果表明，拟合命中率达82．3％，测试命中率达80．5％，表明了该方法的有效性。     

一种优化计算确定神经网络结构的方法

对于一个具体的多层前向神经网络设计问题,网络的输入输出以及标准样本数为已知,网络的隐层结构,即隐层层数和每个隐层神经元个数如何选择是神经网络设计中的关键.根据代数方程理论,通过权值和阈值与隐层结构的关系,建立了以权值和阈值为设计变量的目标函数表达式,通过分析,提出了多层前向神经网络合理的隐层层数和每个隐层神经元个数的一般确定方法,给出了确定多层前向神经网络合理结构的优化目标函数及其约束条件.仿真研究结果表明所提出方法确定的多层前向神经网络结构是合理的.     

基于小波重构与SVM-BPNN的动态过程在线智能监控

为了提高动态过程运行状态在线监控效率,提出了基于小波重构与支持向量(support vector machine,SVM)-反向传播神经网络(back propagation neural network,BPNN)相结合的在线智能监控方法.首先,运用离散小波变换对动态过程实测数据流进行重构,并提取其形状特征.其次,利用训练好的小波重构特征的SVM、均值特征的BPNN及重构后形状特征的SVM,对"监控窗口"内实测数据流进行异常模式识别.最后,应用该方法对某精密轴加工过程进行在线智能监控.结果表明:所提模型识别精度高、训练耗时少,其整体性能明显优于小波重构的BPNN模型与基于统计和形状特征的多分类支持向量机(multi-class support vector machine,MSVM)模型,是一种更为有效的动态过程在线智能监控方法.     

一种MIMO复杂过程的模糊建模新方法

针对难于建立精确数学模型的MIMO复杂过程,提出一种基于过程输入输出数据变化关系的模糊建模方法。即首先将一个MIMO系统分解成多个MISO子系统,对每一个MISO子系统按过程输出随输入变量变化的剧烈程度对输入变量论域进行划分。在此划分的基础上确定出MIMO复杂过程模糊模型的规则总数和前件参数;然后,由于要建立的模糊模型可以表示为一个前馈模糊神经网络,因此利用BP学习算法求得过程模型模型的后件参数。仿真举例验证了所述模糊建模方法的有效性。     

基于可拓论的工业水分过程系统综合建模

介绍了工业水分过程系统建模的研究方法。该文采用数学机理模型、经验模型、神经网络模型在物元模型的基础上综合方法，建立了大时延、大流量、大范围非线性时变的烟丝水分过程的模型。该模型以数学机理模型的解作为初始点，经验模型作为全局调节器，菱形思维神经网络模型作为局部调节器，从而使该模型更接近于实际工业过程。此方法物理机理明晰、能获得工业过程的全局优化结果、能解决系统中一些结构不良问题等。仿真结果表明：较之三种模型的有效性，对于解决复杂工业过程控制系统问题，可知工程方法是一条可探索途径。     

基于小波神经网络的多楼层疏散模型

多楼层环境下室内人群疏散问题是社会关注的热点,而传统的社会力模型在模拟多楼层环境时容易出现停滞等待现象。基于小波神经网络来改进社会力模型,建立一种新的多楼层疏散模型。该模型利用场域模型来获得行人的运动方向,以此作为社会力模型中行人的自驱力方向。同时给出了多楼层环境下出口拥挤度、路径拥挤度和平均速度的评价指标,并利用小波神经网络建立疏散优化方法。利用搭建的仿真平台和上述改进模型模拟了多楼层疏散过程,深入分析了影响该模型的关键因素。该环境下疏散结果表明：适当提高行人的疏散速度有利于提高疏散效率,但是速度过大会使行人快速聚集在楼道处,反而不利于疏散;此外疏散时间随楼梯宽度的增加呈现递减趋势直至平稳,当楼梯宽度达到8 m时,再增加楼梯宽度也不能降低疏散时间。     

气体分馏装置精馏过程的动态建模与仿真

以某炼油厂气体分馏装置动态模拟系统开发为背景,以脱丙烷塔为例,建立了精馏过程的严格动态机理模型,并基于动态机理模型进行了系统的动态模拟与分析.针对以往动态模型求解算法中采用迭代计算多组分混合物泡点时,存在运算量大、模型难以收敛的问题,提出了一种基于支持向量机回归模型计算混合物泡点的新算法,以提高机理模型的计算效率.为避免动态模型不收敛,模型的初值采用稳态模型计算得到.仿真结果表明,新模型能较好的模拟装置生产操作状况,模型的计算效率有较大提高,为动态模拟系统的开发应用与装置优化提供了支持.     

递阶稳态优化下非线性大工业过程的迭代学习控制

对递阶稳态优化下非线性大工业过程施行迭代学习控制 ,目的是进一步改善大工业过程的动态品质 .建立迭代学习控制的基本结构 ,提出迭代学习控制算法关于控制系统的ε-收敛性和期望目标轨线的δ -可达性的概念 ,对具有死区与滞后的饱和非线性大工业过程控制系统给出加权超前开环PD-型迭代学习算法 .利用 Bellman-Gronwall不等式和λ范数理论 ,论证了算法的收敛性 .数字仿真表明 ,迭代学习控制能有效改善递阶稳态下非线性大工业控制系统的动态品质 .     

复杂工业过程计算机建模、仿真与控制的综述

复杂工业过程控制是控制科学界的前沿。由于其背景的复杂性、控制对象的可变性 ,至今在实际工程甚至理论上尚未取得实质性进展。因此 ,在复杂环境和任务下的工业过程应当走逐步智能化的道路。在这一智能化进程中 ,试图从复杂工业过程计算机建模、仿真与控制三个方面来探讨其内在实质 ,找出其深层原因 ,同时指出其固有的局限性 ,以助于从事具体科学研究者自觉遵守认识的客观规律。     

一种获取未建模复杂过程近似极值点的算法

为了求得未建模复杂过程在输入空间的某一子空间内,输出量极值点分布情况,针对未建模多输入单输出(MISO)复杂过程提出一种通过实验记录数据获取近似极值点的算法。即通过对多元函数极值定义的扩展,给出复杂过程近似极值点的定义,基于近似极值点的定义提出根据实验记录数据求取未建模MISO复杂过程近似极值点的算法和实现算法时要注意的问题。最后通过对一个二维非线性函数描述的过程的数字计算,得到与理论分析相同的极值点分布的结果,表明算法的有效性。     

基于小波神经网络的胎号识别算法研究

针对人工神经网络的特点,对传统BP算法进行了改进。采用小波神经网络方法,有效克服了传统BP算法在实际应用中学习收敛速度慢和容易出现局部极小点的缺点。以轮胎胎号字符识别为例,分别用投影法和Hu不变距方法进行特征提取,并将所提取的特征用作神经网络输入层的神经元。将所设计的小波神经网络经训练后用于胎号的识别。仿真结果表明,小波神经网络在字符识别方面是一个十分有效的方法。     

基于多分辨率学习的正交基小波神经网络设计

提出一种基于正交基函数的小波神经网络设计方法，采用多分辨率学习确定隐含层结构，并用收敛较快的阻尼最小二乘法训练权值．该方法可灵活调整隐含层结构，有效地克服神经网络中常见的过拟合和泛化能力差等问题．传真结果表明该方法具有逼近精度高，泛化能力好，网络结构冗余度小，参数优化收敛快等特点．     

基于小波神经网络的图像重建算法研究

针对传统的图像重构算法的不足,提出一种基于小波神经网络的图像重建快速学习算法。运用小波神经网络对图像重构进行了仿真研究。实验表明,对于不同的误差模型,小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近,收敛速度快,近似精度高,而且网络规模比较小,计算量少。对计算机视觉和图像处理具有良好的应用价值。     

基于小波变换和神经网络的水下宽带回波分类

目标识别是水下信息处理系统的主要任务之一,针对此问题,从目标识别的三个基本环节研究了水下宽带回波的分类。首先基于连续小波变换提取了实测莱蒙湖底回波的尺度———小波能量谱,以径向基函数作为分类器,得到了很好的分类效果。接着给出了三种选择特征的准则,并研究了这三种准则对分类效果的影响,结果表明,这三种方法都可以在保证分类准确度的同时有效降低特征维数。     

协同随机微粒群优化的神经网络预测建模

针对一类难以精确建立数学模型的非线性控制系统,提出了协同随机微粒群优化CSPSO的神经网络预测建模方法.CSPSO在协同微粒群算法CPSO执行之后引入随机微粒群优化SPSO的思想,促使CPSO摆脱了伪最小值现象,并且保证其以概率1收敛于全局最优值.通过采集对象输入/输出数据,将CSPSO应用到模型权值的离线训练中,并给出了实现的具体步骤.结果表明在实验的几种算法中,CSPSO训练的神经网络模型精度较高且算法学习的稳定性较佳.     

一种新的基于人工神经网络的综合集成算法

针对现有多目标综合评价中所存在的主观随机性和各种评价方法结果的差异性问题,依据层次分析法(AHP)、主成分分析法(PCA)和人工神经网络(ANN),提出了一种新的从定性到定量转换的综合集成算法,并用于多目标综合评价。该算法基于人工神经网络理论,吸收了层次分析法确定权值的技术和主成分分析法提取主因素的优点,建立了一个新的多目标综合评价模型———AHP PCA ANN模型。介绍了它的组成原理,给出了具体构成方法,描述了各个步骤的主要任务,通过全面质量管理综合评价的实例证明了有效性和可靠性。     

基于GA-BP神经网络的巨项目投入评价的改进研究

考虑到巨项目巨大的资源投入量、投入产出的多样性、复杂性和社会性等特点, 根据决策"核心三原则"构建适宜的投入产出评价指标体系, 通过DEA法对巨项目各投入方案进行初评并筛选出有效的方案, 在此基础上运用遗传算法优化的BP神经网络(GA-BP), 结合DEA的初评结果对多个有效方案进行二次评价, 从而选择最优方案. 实证分析表明, 此改进的巨项目投入评价模型, 能较好地适应巨项目的特征, 既保证了投入评价的客观性, 又能够实现投入方案的完全排序.     

改进免疫算法在预测过程神经网络中的应用

基于过程神经网络（procedure neural network, PNN）建立了具有高精确度的多步预测模型。针对PNN训练过程复杂的特点,提出了一种基于正交基函数展开和矢量矩免疫算法(vector distance based immune algorithm, VD-IA)相结合的PNN训练方法。根据PNN在三角函数正交基展开形式下的数学模型,推导出适用于VD-IA的优化问题模型,采用一种自适应策略加快了VD IA的收敛速度。基于Mackey-Glass混沌序列检验了该方法的有效性,将该方法与BP训练方法、改进粒子群优化（improved particle swarm optimization, IPSO）算法进行了对比分析。仿真结果表明,基于VD-IA的PNN训练方法可以获得较优的结果,且获得泛化性能较好的PNN模型。     

混沌神经网络模型参考自适应控制器设计

研究了非线性的神经网络模型参考自适应控制器设计问题。将混沌机制引入常规BP算法,利用混沌机制固有的全局游动,逃出权值优化过程中存在的局部极小点,解决了网络训练易陷入局部极小点的问题。通过训练神经网络模型参考自应用控制器和辨识器,完成了对一类复杂离散非线性系统的控制。给出了具体的算法步骤。仿真结果表明了混沌BP算法优于常规BP算法。有效地提高了控制精度和适时性。     

基于神经网络的高超声速飞行器惯导系统精度提高方法

针对目前惯性系统误差补偿模型对静态误差和动态误差处理能力不足的问题,为适应高超声速飞行器长航时、高精度的惯性导航要求,基于神经网络提出一种加速度计拟合模型。在高超声速飞行器飞行前期有准确的卫星导航信息时,收集导航信息和加速度计脉冲信息,利用神经网络强大的非线性拟合能力,在飞行过程中进行在线训练,得到精确的惯性系统模型。仿真结果表明,在存在逐次通电误差和不考虑二次项误差系数的误差补偿模型方法位置导航偏差在数公里和数百米量级的情况下,相同时间内所提方法的位置导航偏差仅为数十米量级,有效提高了高超声速飞行器的导航精度。