冷连轧过程仿真软件包的研制

以四机架冷连轧机为背景，开发研制了一个结构简单、使用方便、具有一定开放性的冷连轧过程仿真软件包（ＴＣＲＳＩＭ），为新的建模与控制方法在冷连轧过程中的应用研究提供了良好的仿真环境。     

一种改进型神经网络算法NN-LMBP

提出最近邻Levenberg—Marquardt误差反向传播神经网络算法。针对BP神经网络收敛速度慢的不足，利用Levenberg—Marquardt优化算法进行改进。同时为了提高神经网络的泛化能力，进一步基于最近邻算法对样本进行修剪。试验表明，与一般神经网络算法相比，NN-LMBP在改善神经网络泛化能力的基础上，有效地提高了神经网络收敛的速度。     

基于粒子群模糊神经网络的丙烯腈收率软测量建模

对粒子群优化算法与模糊神经网络的结合进行研究，提出粒子群模糊神经网络，并将其应用丙烯腈收丰软测量建模．该方法采用模翱神经网络来杓建丙烯腈收率软测量模型，用粒子群优化算法优化模糊神经网络的参数；并结合实际工艺，对所建软测量模型进行仿真研究。实验结果表明，该模型的性能优于粒子群神经网络模型，能够准确预测丙烯腈收率，具有较高的精度和良好的应用前景。     

基于神经网络的装备可靠性与维修费相关性建模

维修费用在装备全寿命周期费用中的比例很大,可靠性是装备的主要特性之一,二者存在着密切的联系。运用神经网络的方法,针对某型装甲车辆的故障以及维修费用数据,对装备维修费用与可靠性之间的关系进行了深入地研究,建立了二者的相关性模型。研究成果对于可靠性设计和维修费用控制都具有重要意义。     

基于神经网络辨识的质子交换膜燃料电池建模

针对质子交换膜燃料电池(PEMFC)系统过于复杂，难以建模，而已建立的模型难以满足PEMFC控制系统设计和应用的要求。本文利用神经网络具有逼近任意复杂非线性函数的能力，将神经网络辨识方法应用到PEMFC强非线性系统的建模中，避开了PEMFC系统内部的复杂性。模型以电池工作温度为神经网络辨识模型的输入量，电池电压、电流密度为输出量，利用500组实验数据作为训练样本，采用改进型BP算法，建立了不同温度下电池电压—电流密度动态响应模型。仿真结果表明，方法可行，建立的模型精度较高，从而为设计PEMFC实时控制系统奠定了基础。     

基于代数神经网络的分圆多项式判定及学习算法

首先对MP神经元进行推广 ,给出了一元多项式代数神经元、一元多项式代数神经网络 ,设计出一类用于一元多项式二元运算的神经元模型 ,它是单输入单输出的 3层多项式神经网络 ,给出了两种用于判定一多项式为分圆多项式的神经网络模型及学习算法 ,把判定一多项式为分圆多项式转化成线性方程组求解问题 ,通过算例说明了该方法的有效性。     

用神经网络来挖掘数据库中的关联规则

在数据库中进行数据挖掘的方法有多种，神经网络方法是其中之一，在某些场合下神经网络方法有它的优势。本文讨论了一种适用于知识发现的神经网络模型，并给出了神经网络知识发现系统的设计过程，最后讨论了该方法的优缺点。     

仿真技术在冷连轧系统的应用及发展

分析了一类冷连轧动态仿真系统,综述了仿真技术在冷连轧中在国内外的应用发展现状、以及发展冷连轧动态系统的意义。分析了仿真动态系统的建模及实现过程,冷连轧动态仿真的实施包含先进的模型化技术及时间协调调度,多种先进仿真技术的使用如协调仿真、仿真数据库技术一体化仿真,最后展望了该领域在虚拟现实和智能仿真技术的今后发展方向。     

基于AHP和BP神经网络的企业R&D人员胜任力评价

为了对企业R&D人员的胜任力进行评价,采用行为事件访谈法构建了R&D人员胜任力模型,并对各项胜任力指标的内涵作了诠释;利用层次分析法确定了各个层次胜任力指标的权重,给出了R&D人员胜任力评分;设计了R&D人员胜任力评价的BP神经网络模型,并将层次分析法得出的结果作为样本,对BP网络进行了训练和测试.研究结果表明,基于AHP和BP神经网络的企业R&D人员胜任力评价是可行的.     

基于神经网络的固体氧化物燃料电池电堆建模

针对现有的固体氧化物燃料电池(SOFC)模型过于复杂,难以满足工程上对SOFC系统实时控制设计的需要,提出了利用遗传算法(GA)优化径向基函数(RBF)神经网络实现对SOFC电堆建模。在建模过程中,利用遗传算法优化RBF神经网络的输出权值及高斯基函数的中心向量和基宽向量,采用优化后的参数作为网络初始值,然后利用梯度下降法对各参数进行调整。通过仿真对该建模的有效性和建模精度进行了检验。     

冷连轧机穿带过程带钢厚度建模及仿真

通过对某钢厂冷连轧机穿带过程的深入研究，提出了在该轧机上应用“厚带头”穿带工艺的新方案。并且利用不同的建模方法，推导出用来计算穿带时出口厚度设定值的三个数学模型，即：机理建模模型、辨识建模模型和模糊建模模型。经过仿真和试验，最后根据该冷连轧机自身的实际特点，将模糊建模模型成功地应用于实际的控制系统中，缩短了轧机穿带过程所用的时间，取得了较为明显的效果。     

基于过程神经网络的稀疏数据过程建模方法

针对一类因检测困难而导致检测数据稀少的连续工业过程,提出了基于离散Walsh变换的过程神经网络建模方法.在对稀疏样本数据进行预处理的基础上,采用递推式非邻均值生成法对样本数据进行扩充,以此建立可产生任意密集预测数据的过程神经网络模型,并采用在线滚动学习的方法进一步提高所建立的预测模型的精度.以味精发酵过程菌体浓度预测为例,验证了所建立的过程神经元网络预测模型可以得到非常高的预测精度.     

Study on the Robot Robust Adaptive Control Based on Neural Networks

Force control based on neural networks is presented. Under the framework of hybrid control, an RBF neural network is used to compensate for all the uncertainties from robot dynamics and unknown environment first. The technique will improve the adaptability to environment stiffness when the end-effector is in contact with the environment, and does not require any a priori knowledge on the upper bound of syste uncertainties. Moreover, it need not compute the inverse of inertia matrix. Learning algorithms for neural networks to minimize the force error directly are designed. Simulation results have shown a better force/position tracking when neural network is used.     

The Fuzzy Modeling Algorithm for Complex Systems Based on Stochastic Neural Network

The Fuzzy Modeling Algorithm for Complex Systems Based on Stochastic Neural Network~~~~     

基于先验知识和神经网络的非线性建模与预测控制

神经网络模型是模拟非线性系统的有力工具，它的缺陷是难以利用已有的先验知识。利用通用学习网络的建模方法，提出了一种利用先验知识和神经网络建立非线性系统模型的方法，具有简化神经网络结构、减小计算量的优点。基于这种模型利用改进的遗传算法进行优化计算，从而实现了基于先验知识和神经网络的非线性建模和预测控制。对一个悬吊系统的仿真实验说明了该算法的有效性。     

基于神经网络威胁判断模型

将神经网络理论应用于防空指挥控制系统中 ,研究了威胁判断模型 ,实例表明该方法是可行的 .     

基于信号流图的动态神经网络在线学习算法

复杂的链式规则求导计算是动态神经网络在线学习算法中梯度向量计算的主要瓶颈,针时这一问题,根据P.Campolucci等人提出的动态系统梯度信息信号流图分析方法,设计了动态神经网络的在线学习算法,该算法可以直接从网络的信号流图及其伴随流图中获取目标函数关于网络参数的梯度信息,从而简化了算法梯度向量的计算.为了确保算法的稳定,根据Lyapunov稳定性定理,提出并证明了可以保证算法收敛的自适应学习速率,并且学习速率容易获得.利用NARX神经网络对非线性动态系统在线辨识的仿真实例也表明了本算法的有效性.     

基于贝叶斯-神经网络的动态回归建模与预测

结合贝叶斯网络和神经网络，提出了一种建立数据驱动型的动态线性回归系统模型的方法。基于这种模型采用自然连接型的知识分布，形式化各种各样的信息，结合贝叶斯方法，执行贝叶斯网络的持续学习过程；采用指数寿命型的连接权值改进径向基神经网络，优化输入数据，提高计算速度；采用改进的遗传算法，实现神经网络的动态自适应。基于上述方法，实现了线性回归系统动态建模与实时预测。仿真试验说明该方法是有效性。     

基于遗传算法的神经网络两阶段学习方案

一种两阶段学习方案被提出用于神经网络的训练。在第一阶段，让实数编码的遗传算法来代替人解决神经网络结构的选择和初始参数的设定，称之为结构辨识阶段。在第二阶段，让传统的优化算法来解决参数的学习，称之为参数辨识阶段。在整个学习过程，神经网络的复杂度、逼近精度和泛化能力之间得到了满意综合。