PRNN对Bacillus cereus DM423分批培养过程中生物量的软测量

为利用神经网络的非线性处理能力准确反映微生物培养的动态过程,应用部分反馈神经网络(PRNN)对分批培养过程中的Bacillus cereus DM423的生物量进行软测量,构建了拓扑结构为11-5-1的部分反馈神经网络. 网络的输入量为pH、温度、溶氧量和葡萄糖浓度的延时量,同时将网络输出的生物量浓度进行延时、反馈作为网络输入量,输出量为生物量浓度当时值,算法为BPTT法,获得的网络泛化能力较好,训练样本的均方差为0.56×10-3. 此外,所建立的部分反馈神经网络具有良好鲁棒性,可抵抗小幅度的高斯噪声干扰. 对Bacillus cereus DM423分批培养过程进行多步预测,预测精度高.     

时滞 Hopfield 神经网络的稳定动力学行为分析

神经网络的硬件实现常伴随反馈信号的延时,网络的应用需要对具有时滞反馈网络稳定性的充分研究。用Ｒａｚｕｍｉｋｈｉｎ型李雅普诺夫泛函方法,对非线性时滞Ｈｏｐｆｉｅｌｄ神经网络的稳定动力学行为进行了分析,利用泛函滞后微分方程的稳定性定理,导得时滞反馈连续Ｈｏｐｆｉｅｌｄ神经网络一致稳定和一致渐近稳定的充分判据。     

自反馈BP网云计算信息融合算法及应用

通过对BP网络的输入层节点增加了自反馈,使BP网络对历史数据具有了记忆功能,改进后的局部自反馈BP神经网络具有动态映射和处理历史数据的能力.使用该局部自反馈BP神经网络实现了多信息的融合算法;通过对工矿企业现场诊断技术、信息融合方法和物联网应用分析,设计了一个基于物联网的工矿企业现场诊断与管理系统,并将局部自反馈BP神经网络信息融合算法应用到基于物联网现场诊断系统的云计算层,为设备生产厂家和工矿企业应用物联网进行现场诊断与管理提供了一个解决方案.     

DM423摇瓶培养过程生物量的BP神经网络软测量

利用BP神经网络来描述腊样芽孢杆菌(Baeillus cereus DM423)(简称DM423)摇瓶培养过程中生物量与培养液初始葡萄糖含量和初始生物量之间的关系．建立了结构为2-6-3的BP神经网络．用所建立的神经网络对DM423摇瓶培养过程的生物量进行估算,发现估算值与实测值相当接近,表明网络有较好的泛化能力．此外,当初始葡萄糖含量超出测试样本范围时(分别为4．25和27．30g／L),网络对样本的预测结果也相当理想,预测的平均相对误差为1．95％．     

神经网络在污水处理中的模型建构初探

人工神经网络是对于人脑的模拟,具有自组织和自适应性以及较强容错能力,在研究神经网络的基本原理及优越性的基础上,针对污水处理系统的不确定性和非线性特性,初步探讨了应用BP神经网络对某市开发区污水处理系统进行模型的建构,以出水COD为输出目标值,将进水各项水质参数设置为神经网络的输入量,建立污水处理系统的BP网络模型,为在线控制建立模型基础。     

RNN神经网络的应用研究

对动态回归神经网络模型结构与算法进行了分析，采用多层反馈ＲＮＮ网络，以典型的非线性化工过程ＣＳＴＲ为应用对象，比较了采用前馈ＢＰ网络和Ｅｌｍａｎ的ＲＮＮ网络进行模型化与模拟，最后用一个时变过程和苯酐工业生产过程模拟验证。结果表明，动态回归神经网络具有较好的收敛性和稳定性，可用于复杂动态过程的工业应用。     

动态模糊神经网络研究

针对静态网络无法处理暂态问题，对具有递归环节的动态模糊神经网络进行了研究。通过在网络第二层中加入内部反馈连接，使其具有动态映射能力，从而对动态系统有更好的响应。网络使用遗传算法与反向传播BP(BackPropagation)算法相结合来训练，避免陷入局部最优解。采用时序预测和动态非线性系统进行了仿真研究，结果表明，动态模糊神经网络较之普通模糊神经网络在收敛速度、预测精度和网络规模等方面都有较大的改善，并具有更好的动态系统处理能力。     

一种耗散型混沌神经元及其延时分类

讨论了离散的、耗散型非线性神经元模型动力学·数值模拟表明模型中带有非零衰减系数时,自抑制神经元呈现出复杂的动力学模式,其中包括倍周期分叉通往混沌·利用混沌神经元对BP网络结果进行后处理,组成BP/CNN混合神经网络,利用其倒分岔特性实现延时分类·构建的BP/CNN对典型的具有延时特性行为的SYNflooding滥用入侵进行检测,结果表明该混合神经网络具有灵活的延时分类能力,扩展了BP神经网络的计算能力,提供了一种新的分类处理方法,可以推广到识别其他延时分类的事件中·     

基于IRLS-ELM生物发酵在线软测量建模方法

为解决生物发酵过程中生物量浓度难以在线测量的问题,提出一种基于改进的最小二乘正则化极限学习机(IRLS-ELM)软测量建模方法并将其应用于红霉素发酵过程生物量浓度的在线预测中.根据误差反馈原理,将训练误差作为输入建立带反馈的神经网络,以提高模型预测精度.并将加权最小二乘法引入到ELM中改进其数学模型,削弱离群点或者不稳...     

Jordan神经网络的改进研究

针对Jordan神经网络的反馈网络的反馈信息表征能力不强的缺点,提出了一种新的反馈网络模型,对Jordan神经网络的缺点进行了改进,并且对原来的训练学习算法进行了改进,提出了一种提取绝对值最大权的训练学习算法来降低计算复杂性,最终给出了实验结果证明。     

带有常时滞循环耦合神经网络的全局指数稳定性

讨论了带有常时滞循环耦合神经网络的全局指数稳定性 在讨论过程中通过构造同胚映射论证了该系统平衡点的存在性与唯一性 再通过构造合适的Lyapunov函数论证唯一平衡点是全局指数稳定的 类似于已有的神经网络稳定性方面工作 在神经元的激励函数满足Lipschitz条件且相关系数构成矩阵也满足给定条件下 得到 n 层带有常时滞的神经网络全局指数稳定的动力学性质 所得结果同时也蕴含当神经元的衰减速率足够大时 神经网络是全局指数稳定的     

基于一维卷积循环神经网络的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征不完备、时效性低等问题,提出一种基于一维卷积神经网络和双向门控循环单元的识别方法.首先,提取信号的模糊函数主脊并进行去噪处理;其次,利用一维卷积神经网络学习模糊函数主脊的内在抽象特征;然后引入双向门控循环单元对一维卷积神经网络提取到的特征进行再处理;最后,将特征映射到特征空间并通过Softmax分类器进行分类识别.实验结果表明,该方法在信噪比为0 dB时能保持99.67%的识别率,即使在-6 dB环境中识别率仍能达到90%左右,证实了该方法的有效性和在低信噪比下的稳定性.     

比例延迟微分方程的极限学习机算法

目的 针对比例延迟微分方程,提出一种基于极限学习机(ELM)算法的单隐藏层前馈神经网络训练方法,并将该方法推广到求解双比例延迟微分系统。方法 首先,构建一个单隐藏层前馈神经网络并随机生成输入权值和隐藏层偏置;然后,通过计算系数矩阵使其满足比例延迟微分方程及其初值条件,将其转化为最小二乘问题,利用摩尔-彭罗斯广义逆解出输出权值;最后,将输出权值代入构建的神经网络便可获得具有较高精度的比例延迟微分方程数值解。结果 通过数值实验与已有方法的结果进行比较,验证了该方法对处理比例延迟微分方程与双比例延迟微分系统的有效性,且随着选取的训练点和隐藏层节点数量增多,所得到的数值解精度和收敛速度也随之增加。结论 ELM算法对处理比例延迟微分方程以及双比例延迟微分系统具有较好的效果。     

前移双回归神经网络预测模型

构造一种称为前移双回归神经网络的时间序列预测新方法,克服了以往多元线性回归只考虑外部影响因素(外因)、时间序列自回归只考虑自身以往结果(内因)的不足,又结合神经网络弥补了二者都是线性模型而未考虑非线性关系的缺陷.结合国际油价预测实例证实新模型确实优于传统模型.     

LSTM和GRU在城市声音分类中的应用

不同类型的声音对城市居民的身心健康质量影响不同,将城市声音精准的分类有利于对其进行有效的评价,从而促进对城市声音的管理。深度学习在语音识别方面已有所应用,其中循环神经网络(RNN)表现最为突出。由于基本RNN存在明显的梯度消失、网络损耗大、准确率低等问题,应用改进的RNN对城市背景噪声进行分类。采用长短期记忆神经网络(LSTM)和门控循环单元(GRU)神经网络,构建深度循环神经网络模型,通过城市记录的公共数据集UrbanSound8K对搭建的深度神经网络的准确性进行测试分析。模型基于梅尔频率倒谱系数的基准实现,得出的结果与基本RNN相比有明显的提升。     

基于循环神经网络的微地震数据降噪方法

针对微地震信号中存在大量噪声干扰, 导致其识别困难的问题, 提出一种深度双向门控循环单元循环神经网络的方法, 并将其应用于微地震数据降噪中. 首先, 构建多层双向门控循环单元循环神经网络模型, 并设计该模型的网络结构及训练算法; 然后, 采用Ricker子波正演模拟微地震数据验证模型的有效性, 并将该方法与其他4种方法进行对比; 最后, 将真实的含噪声微地震数据输入到训练好的模型中, 即可得到降噪后的微地震数据. 仿真实验结果表明, 利用该方法降噪后与降噪前信号的峰值信噪比相比约提高36 dB, 且信号之间的相关系数值由0.088 6上升至0.933 5. 实际应用结果也表明, 该方法可有效降低实际微地震数据中的噪声.     

基于神经网络预测的网络控制系统故障检测

考虑一类长时延网络控制系统,假定其存在输出时延,对其进行故障检测。通过对网络控制系统时延采样值进行神经网络预测,使之成为无延迟的控制系统。在此基础上,建立了基于神经网络预测的故障观测器误差方程,并证明了该观测器稳定的条件。当系统正常时,只要给定的不等式条件成立,该观测器系统就是稳定的。当系统发生故障时,观测器残差能够迅速发生跳变,从而检测出故障的发生。最后通过仿真示例说明该文方法能够较好预测网络时延,发现系统故障。     

具有时滞的递归神经网络模型的分支分析

主要研究了一类含有6个时滞的四阶神经网络模型的分支问题.通过应用时滞微分方程的中心流形定理和规范型理论,得到了系统在原点处的Bogdanov-Takens(B-T)分支和triple zero分支的规范型,进而给出了一些主要的分支现象.