神经网络预测控制在污水处理溶解氧控制中的应用

针对污水处理过程溶解氧浓度时变设定值难以控制的问题,提出一种溶解氧浓度的神经网络预测控制器设计方法.首先,在活性污泥法污水处理过程通用机理模型基础上,利用系统的输入、输出数据,采用递推学习更新模式,通过三层BP神经网络训练出系统神经网络逼近模型.然后,设计满足出水水质指标的溶解氧约束预测控制器.在考虑溶解氧测量白噪音干扰和进水流量发生阶跃变化情况下,将所设计的控制器用于污水处理溶解氧浓度的时变设定值跟踪控制.仿真结果表明:与传统PID控制器相比,神经网络预测控制器能够显著提高溶解氧跟踪控制性能,具有更好的自适应性和抗干扰能力.     

基于AIA-TSFNN的溶解氧浓度控制方法

针对污水处理过程中溶解氧(DO)浓度的控制具有时变、非线性以及设定值难以跟踪的问题,提出了一种基于人工免疫算法的TS模糊神经网络(AIA-TSFNN)控制方法.首先利用TS模糊神经网络的自学习能力设计了控制器;然后采用人工免疫算法作为TS模糊神经网络的学习方法,对网络的中心值、宽度值以及连接权值进行在线优化,以保证控制器的收敛性,提高控制精度;最后在国际基准仿真平台BSM1上进行实验验证,仿真结果表明,所提方法具有较好的自适应性和鲁棒性,提高了溶解氧的跟踪控制性能.     

模糊神经网络PID控制器在污水处理中的应用

为建立实时响应快、动态调节性能大、鲁棒性强的污水处理自动控制模型,结合模糊逻辑推理控制、神经网络控制及常规PID（Proportion Integration Differentiation）
控制技术,设计了模糊神经网络Fuzzy-PID污水处理控制器。仿真结果和实际应用显示,采用该控制器后,整个控制系统的收敛性、鲁棒性以及动态响应性等均有了很大的改善,
系统具有较强的稳定性和自适应性。     

基于粒子群算法的神经网络在污水处理优化中的应用

在对污水处理模型研究的基础上,建立了神经网络污水处理模型.为进一步提高污水处理效率,降低能源消耗,提出了基于粒子群算法的污水处理神经网络优化模型,并与遗传算法神经网络优化模型进行了仿真及测试比较,结果证明了本文提出方法的优越性及有效性.     

基于模糊神经网络的自适应控制在污水处理中的应用研究

污水生物处理过程的生产条件恶劣,随机干扰严重,具有多输入、多输出、不确定性、强非线性、大时变、难以用数学模型来描述.针对传统的污水处理方法已经不能满足现在的处理要求的问题,提出了用模糊神经网络的自适应控制可以较好的解决,可以达到更好的控制效果.     

污水处理过程中对污泥龄的模糊神经网络控制

针对污水处理过程的高度非线性、进水流量及水质变化剧烈、各状态变量之间存在强耦合关系等特性,提出了一种自适应模糊神经网络控制方法,以污泥龄作为运转控制参数,调节排出污泥量.研究结果表明,该控制器能够在线调整输入变量的隶属函数、优化控制规则.将其应用于活性污泥法污水处理系统中,可以快速地去除污水中的污染物,使污泥具有良好的去污能力和沉淀性能,并且具有良好的鲁棒性.     

油田采油污水处理的溶解氧浓度PID控制稳定参数域综合

油田采油污水采用活性污泥法工艺进行处理,活性污泥法的净化反应是一个耗氧过程,决定其处理效果的关键因素是生化池中的溶解氧浓度(DO值).以污水处理过程中曝气池中溶解氧(DO值)浓度为被控量,研究了污水处理过程PID溶解氧浓度控制器的综合问题,基于图解法给出了PID溶解氧控制器的完整稳定参数域,且该稳定条件是充要的,无保守性,对PID溶解氧控制器参数的选取具有重要指导意义.     

基于GA-BP算法的模糊神经网络控制器研究

提出了一种基于GA-BP算法的模糊神经网络控制器,将GA的离线全局寻优及BP实时学习相结合,克服了单独应用GA算法或BP算法调节模糊神经网络控制器参数存在的缺陷。仿真结果表明经GA-BP算法优化的控制器性能优于传统算法调节的控制器。     

浅谈模糊神经网络技术在污水处理厂的应用

本文分析了目前污水处理自动控制系统中存在的问题及制约因素,着重介绍了模糊控制与人工神经网络控制在污水处理过程中的应用     

基于差分进化算法的神经网络优化设计

【目的】研究解决传统神经网络手动设计网络结构的局限性,并探究差分进化算法对神经网络优化的有效性。【方法】提出了一种基于差分进化算法的多层前馈神经网络的优化设计方案,用以同时完成神经网络的权值空间和网络结构空间的搜索,给出不同场景下的最优网络结构。该算法采用（1+1）-ES二元进化策略,使用一种新的网络结构交叉和变异方法,通过双种群结构共同进化及自适应变异率等策略加快网络结构的搜索以及算法的收敛。【结果】在预测、分类等问题中,基于差分进化算法的神经网络优化设计能够较好地搜索到最优的神经网络结构,并与传统的BP神经网络以及经典的预测分类算法进行比较,实验结果具有较强的鲁棒性。【结论】基于差分进化算法的神经网络优化设计是解决网络结构寻优问题的有效方法。     

基于神经网络的模糊控制器

提出一种基于神经网络的模糊控制器。它可以把模糊控制的控制规则转化为多层前向神经网络的一对输入、输出样本。用Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ学习算法对网络进行训练,使得网络记忆这些样本,并将这些样本以权值矩阵的形式存储的网络中。网络以”联想记忆“的形式来使用获得的经验对对象实施控制。知道了被控对象少量的定性知识,就可以用这种方法控制对象的行为,这种控制方案可用于对受控对象缺乏精确的数学描述或具有时滞     

基于LM算法的相关模糊神经网络及其应用

针对输入变量相关性较高的非线性建模模型,经典模糊神经网络算法存在收敛速度缓慢、模糊规则数大、陷入局部最小值的问题。提出一种基于LM算法的相关模糊神经网络模型;该模型基于聚类思想,构建多变量高斯模糊隶属度函数,将其表示为不可分离的模糊关系来处理相关变量模型;再采用LM优化算法,通过Hessian矩阵和一阶梯度向量同时调整网络参数;并引入Cholesky定理缩减网络参数个数。应用LM算法的模糊神经网络模型实验结果表明,可以加快收敛速度、减少模糊规则数,比经典的模糊神经网络有更好的预测精度。     

一种模糊神经网络自校正控制器设计与应用

本文提出了一种模糊神经网络智能控制方法，并介绍了采用多层神经网络表达模糊控制和知识规则，模糊推理和学习算法，实验仿真结果表明，这种控制方案可改善具有时变及大纯滞后系统的控制品质，其性质优于一般模糊控制。     

Manipulator Neural Network Control Based on Fuzzy Genetic Algorithm

The three-layer forward neural networks are used to establish the inverse kinem a tics models of robot manipulators. The fuzzy genetic algorithm based on the line ar scaling of the fitness value is presented to update the weights of neural net works. To increase the search speed of the algorithm, the crossover probability and the mutation probability are adjusted through fuzzy control and the fitness is modified by the linear scaling method in FGA. Simulations show that the propo sed method improves considerably the precision of the inverse kinematics solutio ns for robot manipulators and guarantees a rapid global convergence and overcome s the drawbacks of SGA and the BP algorithm.     

基于神经网络模糊控制器的铣削过程智能控制

提出了一种新颖的神经网络模糊控制器,其模糊控制表由神经网络替代．控制器通过在线学习能自适应被控对象的变化,控制性能良好．将该控制器用于铣削过程控制,使铣削力在加工条件变化过程中始终保持相对稳定,从而提高了铣床的加工效率,并能保证加工质量,保护刀具．还给出了试验结果．     

模糊神经网络技术用于结构主动控制的研究

提出了一种基于神经网络调整规范化因子的模糊神经网络控制策略，并以表面布置压电片的梁结构为控制对象进行了仿真．实验结果表明，该控制策略适用于不精确被控对象模型和非线性系统的控制．     

基于模糊神经网络的滑模控制算法

提出了一种基于模糊神经网络的积分滑模控制算法。该算法利用模糊神经网络系统来代替传统的等效控制项,消除了其对数学模型的依赖;切换控制项则采用积分型变切换增益,有效地削弱系统抖振。该算法以永磁同步电机伺服系统为对象进行仿真研究。仿真结果表明,该方法控制精度高,鲁棒性强,有效提高了系统的控制性能。