基于人工神经网络的发电生产过程辨识

根据发电生产过程的实际情况,针对不同时间段的生产工况特点,提出了用不同神经网络辨识不同时段内发电生产过程数学模型的一种新的辨识方法,给出2种神经网络模型,比较了2各辨识方法的结果。     

基于神经网络的发电机参数辨识

介绍了人工神经网络(ANN)在发电机传递函数参数辨识中的应用,提出了一种隐层有七个神经元的BP神经网络,使用该网络对发电机参数进行辨识,并利用MATLAB/SIMULINK软件对所设计的BP神经网络进行了仿真,结果表明,所设计的神经网络能够有效地辨识发电机参数,并且具有训练时间少,没有局部极小化现象等优点.     

基于支持向量机的pH中和过程辨识

针对pH中和过程具有强非线性、时变性的特点,提出一种基于支持向量机的pH中和过程模型辨识方法.该方法采用结构风险最小化准则,保证网络具有较强的推广特性,通过求解凸二次规划确保网络结构全局最优化自动生成.利用支持向量机建立辨识pH中和过程辨识模型.仿真结果表明模型辨识精度高,泛化性能好,模型有效且易于实现.     

基于径向基函数网络的非线性通用模型控制

为了克服通用模型控制器要求过程一阶微分模型应该有显式解的局限性,提出了一种基于神经网络的通用模型控制方法,将非线性过程模型应用逆系统的方法在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性。其参考轨迹是一条典型的二阶曲线,由于径向基函数网络具有许多优点,该控制策略中的神经网络为径向基函数网络。该控制器参数具有明显的物理意义,参数整定方便。仿真实验验证了该控制策略的有效性。     

模糊控制在pH值控制过程中的应用研究

本文介绍了在糖厂澄清过程的ｐＨ值控制中，采用模糊控制算法解决了常规控制算法难以解决的控制问题，在利用模糊控制模拟人工控制来解决实际过程中复杂系统的控制问题方面进行了尝试，并且取得了好的结果。     

基于过程神经网络的非线性动态系统辨识

研究了过程神经网络在非线性动态系统辨识方面的应用.针对传统神经网络在解决系统过程式输入和时间顺序依赖性问题时出现的使模型和算法复杂化的弊端,提出了一种时变输入输出的过程神经元网络模型作为系统的辨识模型,采用基于函数基展开的梯度下降算法,以油田井组注采系统为例验证了模型和算法的有效性,进而说明了过程神经元网络对于解决系统过程式输入的非线性动态系统辨识问题的适用性.     

基于T-S模糊模型的酸碱中和过程的系统辨识

针对pH中和过程存在非线性和大滞后性的特点,建立了基于协同GK模糊聚类的T-S模糊模型。将协同模糊聚类与GK相结合进行系统辨识,提高了聚类效果,使其前件和后件参数得到优化。利用上述方法建立了pH中和过程系统模型,取得了良好的仿真效果,验证了该算法的优越性和有效性。     

pH过程的极点配置自校正控制

pH过程控制广泛应用于化工、废水处理等领域,但由于其严重的非线性特性一直是工业过程控制的难点。利用非线性模型来描述pH过程,使用非线性极点配置自校正控制器对过程进行控制,实验结果表明该控制方法具有良好控制效果。     

基于神经网络的复杂过程系统模型辨识

针对复杂生产过程中的一阶和二阶液位系统,利用MATLAB软件的神经网络工具箱,分别应用BP和径向基两种神经网络模型进行系统辨识,得到系统模型．通过结果比较,得出两种神经网络的应用特点：对于一阶非线性液位过程,径向基神经网络创建的数学模型性能较好;对于二阶线性液位过程,BP神经网络的建模效果较好;尽管BP神经网络的模型训练过程有学习收敛慢、局部最小点、层数和单元数不易确定的缺点,但其函数逼近的精确度对二阶线性的辨识具有独特优势．     

基于支持向量机的未知非线性系统辨识与控制

针对一个未知非线性系统，提出了基于支持向量机的建模与控制结构。该控制结构以支持向量机为辨识器，并用指数梯度算法来求控制作用。仿真实例表明了提出的方法是正确、有效的。     

基于网络的水库群防洪调度系统应用研究

利用数据库前墙开发工具PowerdBuilder，采用SQL Server数据库，设计开发了结构合理、功能齐全、界面友好，具有很强实用性的基于网络的水库群防洪调度系统，可实现从卫星云图、气象预报信息、水雨情实测信息、实时洪水预报信息的收集处理到水库群防洪调度方案的制定，评价与选择、防汛会商决策全过程，简要介绍了系统的功能设计及其实现的基本思想。     

改进的一般化学习网络内模控制在CSTR中的应用

以连续搅拌反应釜(CSTR)为例,通过对一般化学习网络(ULN)分支上时间延迟的优化训练,提高了CSTR 这类具有滞后环节的复杂非线性系统的建模精度。将一般化学习网络和模糊理论相结合,提出了一种改进的神经网络内模控制方法(改进的ULN-IMC)。仿真结果表明,改进的ULN-IMC可有效的提高CSTR的跟踪和抗扰动定值控制过程。     

基于Madaline网络敏感性的主动学习算法研究

提出一种基于Madaline网络敏感性的主动学习算法。首先用部分样本训练Madaline网络,然后以Madaline网络输出对其输入在给定样本点附近变化的敏感性为尺度,主动从未参与训练的样本中挑选敏感性相对大的样本继续进行训练,循环反复这个过程直到满足训练要求为止。实验验证了该主动学习算法处理离散分类问题的有效性和可行性。     

基于用户关系网络表征学习的服务推荐方法

网络嵌入学习是深度学习的一个热门分支,它将网络节点映射到一个拓展的低维向量空间。针对用户共用标签网络和社交网络,利用表征学习方法得到用户标签标注关系和社交关系的向量表征,并提出一种新的服务推荐方法。该方法利用用户的向量表征得到相似用户集,由最终得到的用户特征信息返回Top-k个相似用户,并根据相似用户的偏好情况向目标用户推荐合适的服务。为验证方法的可行性,在公开数据集Delicious和Last.FM上进行了实验,结果表明:相比4种基准方法,文中方法准确率可提升13%,召回率提升18.6%,F-measure值可提升13.1%;在学习用户表征向量时,用户之间共用标签关系与社交关系同样重要;推荐过程中,为目标用户返回的相似用户值在[25,30]区间更为适宜。     

基于神经网络的空间柔性机械臂PID快速学习控制

针对自由漂浮柔性空间机器人的轨迹跟踪问题,提出一种径向基函数（RBF）神经网络控制策略.首先建立漂浮基柔性空间机器人的非线性动力学方程,考虑到RBF神经网络良好的逼近能力,柔性臂的非线性逆动力学模型通过RBF网络来逼近,采用PID控制器与神经网络控制器来共同保证系统稳定性,其误差代价函数由PID控制器提供,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整来实现快速学习能力.仿真结果表明了这种RBF神经控制器能够达到较快的误差收敛速度.     

基于领域知识的无师学习控制的研究与仿真

本文探讨了对象集合空间上等价类的“狭义通用控制技术” ,提出了基於领域知识无师学习控制的思想 ,并给出了相应的算法实现。从而为发展利用领域知识的通用智能控制技术 ,或为具有相同特征与约束的对象设计通用的智能控制器提供了一种可行的探索路径与实现方法。文中给出了基於上述思想设计的控制算法在不同对象上的仿真结果 ,验证了它的正确性与通用性     

基于多媒体网络的大学物理研究性学习探讨

研究性学习是在教师指导下学生高度自主性和创造性的学习,对培养大学生的创新精神和实践能力有重要意义.基于多媒体网络可以提供特殊的资源和环境支持,设计了一种新的应用于大学物理的学习方法.在建构主义指导下,这种学习方式旨在改变学生单纯接受知识的旧的学习方式,帮助学生形成一种主动探究并注重解决实际问题的新型学习方式.     

基于网络的互动式学习系统的探讨

由于计算机网络的普及,互联网已经成为学生学习必不可少的途径之一,为此大多数院校已经开始研究适合自身的互动式学习系统。文章首先对互动式学习系统的优势进行了总结,并介绍了国内外的研究现状,之后提出了开发互动式学习系统的原则及开发的重点模块。     

基于深度残差网络与迁移学习的地形识别方法

针对现有机器人基于深度网络的地形识别方法准确率低、网络训练时间长且需要大量训练数据的问题,提出一种基于深度残差网络与迁移学习的地形识别方法。首先,基于Resnet网络构建一种深度残差网络;其次,利用现有Imagenet大型数据集对构建的深度残差网络进行预训练,作为预训练网络,保留预训练网络除全连接层的训练权重,实现预训练网络大规模的参数迁移;最后,利用自建地形图像数据集对深度残差网络的全连接层进行训练,实现深度残差网络微调。实验结果表明,通过迁移学习的方法,利用深度残差网络对石子路、水泥路、砖地、沥青、草地、泥地6种自建地形图像进行分类,平均准确率达到了99.3%,同时网络训练时间也显著降低。