基于RBF人工神经网络的生活污水处理软测量方法

为实现城市生活污水处理的在线控制,提出了基于RBF人工神经网络的软测量方法.运用大量实测数据对RBF神经网络进行了训练和仿真.结果表明,基于RBF神经网络的软测量模型对污水处理指标BOD的实时控制具有实用价值.     

城市污水处理出水水质预测预报的一种多步记忆软测量建模

针对目前城市污水处理过程某些重要出水水质指标参数因缺乏可靠的专用在线仪表而只能靠人工化验来确知的现状,本文引入了软测量技术并根据污水处理工艺运行的实际情况,设计了具有记忆能力的软测量模型,由已知的过程参数来估计出不可在线测量的目标参数值.仿真研究结果表明具有多步记忆的软测量模型其预测精度高于常规软测量模型.多步记忆软测量模型的获取为开发实用化的污水处理出水水质预测预报软件奠定了坚实的基础.     

基于神经网络的过程软测量

以神经网络实现对某厂萃取精馏塔产品成分的实时估计，神经网络选用多层前馈网络，具有６个输入结点、１个输出结点、单隐层结构、１０个隐结点。所点数据全部取自生产现场，共取１８组样本数据，其中１５组用于网络的学习，３组用于网络的检验，结构分析表明，年建立的社会网络可以所映实际对象。     

污水处理过程的软测量技术

污水处理过程的软测量技术是为解决污水处理出水水质(如BOD5、COD等)难以在线实时检测而提出的,它为污水处理质量参数的在线预测和闭环控制创造必要的前提条件,并提供可行的解决方案,从而稳定出水水质和提高污水处理的效率.介绍软测量技术的概念,研究污水处理软测量建模方法,以及工程设计方法.     

软测量在污水处理过程中的研究与运用初探

伴随着社会主义市场经济的发展,我国现代工业进入到了一个快速发展的黄金期,其中对污水处理技术的研究日渐受到人们的重视。但在污水处理的过程中,存在着很多不可控制性因素与特征,比如参数的时变大,多个变量耦合等,这些都使得污水处理无法达到最佳水平。传统的传感器无法接受最新的信息,也为重要变量的测量带来了很大的困难。本文将从污水处理与软测量的角度出发,探讨软测量技术在污水处理过程中的运用及发展趋势。     

基于对角递归神经网络的粘度软测量模型

采用对角动态递归神经网络,基于生产过程的可测参数,构造聚酯(PET)的粘度软测量模型,实现PET粘度的在线估计。实验表明了方法的有效性和可行性。     

基于集合卡尔曼-Elman网络的软测量建模方法

污水处理系统是一个复杂的非线性、大时延的动态系统，由于工艺的复杂性、检测设备的不完备性以及经济成本的限制，一些重要的出水指标无法实现精准的检测。为解决此问题，文中提出了基于集合卡尔曼-Elman网络的软测量方法。传统动态神经网络具有能够处理时延信息数据的动态记忆能力，可用于基于数据驱动的软测量建模过程。但是，常规训练方法容易使神经网络陷入局部最小值，导致模型预测性能欠佳。鉴于此，文中引入集合卡尔曼滤波技术和对偶有限样本集合卡尔曼技术对典型的动态神经网络——Elman神经网络进行无梯度训练，构建新型软传感器模型，不仅有效提高了传统Elman神经网络的预测能力，而且提供了一种简单、无梯度的神经网络训练方法。将该方法在加州大学欧文分校的污水处理数据（UCI数据）上进行验证，结果表明，文中方法具有较好的预测性能，集合卡尔曼滤波技术可作为一种无梯度的替代方法来训练神经网络。     

基于RBF神经网络模型的臭氧浓度软测量研究

目前的臭氧浓度在线分析测试仪器在臭氧发生器中的应用受到很大限制.通过监测影响臭氧产生浓度的6个参量,基于RBF神经网络模型实现了臭氧浓度软测量.该模型采用梯度下降法确定RBF基函数的中心及输出层权值,可离线和在线校正所建立的神经网络模型.实验证明,软测量模型输出结果与臭氧浓度分析仪测量结果的绝对误差小于5g/m3的达93%以上,绝对误差小于1g/m3的达33%以上,且响应时间小于1s.     

一类污水处理过程水质多模型在线软测量方法

根据污水处理厂入水水质的特征参数进行工况区域分析,基于多模型方法建立了多工况下的水质软测量模型.其中局部模型由Hammerstein模型描述,采用误差反传类稳定学习算法学习非线性增益的多层感知器,采用递推最小二乘法学习线性部分ARX模型参数,根据样本与聚类中心之间的相近度在线修正聚类中心,基于软切换的多模型建模思路提出了出水水质COD的软测量方法.实验结果表明,在线修正聚类中心可反映工况点的动态变化;与实际运行数据进行了对比验证,表明多模型软测量方法具有较高的精度.     

用于化工软测量的基于移动窗的过程神经网络

软测量技术可以有效解决复杂工业过程中一些重要参量难以由硬件在线检测的问题,由于化工过程具有连续性和累积性等特点,若采用传统的软测量建模方法往往会忽略信号的时间累积作用从而导致预测误差较大。针对上述问题,提出了基于改进的过程神经网络(PNN)的软测量建模方法。首先采用移动窗技术来确定包含过程正常运行大部分信息的时间序列,然后利用改进的PNN建立软测量模型并对主导变量进行连续预测,最后对软仪表进行校正以实现连续高精度预测。以某工厂高密度聚乙烯装置为例,验证了该方法具有较高的预测精度和跟踪性能,这对于工业过程的控制优化操作具有重要的应用价值。     

基于BP神经网络的遥感影像分类方法

为了消除传统的遥感影像分类所带来的模糊性和不确定性,采用BP神经网络进行遥感影像分类.利用MatLab软件构建BP网络遥感影像分类算法,通过对BP网络算法进行改进,采用动量-自适应学习速率调整算法克服了网络训练速度慢、不易收敛到全局最优等缺点.对一幅全色遥感图像通过300次训练后,输出能真实反映地类的影像图.其分类总精度为86.67%,Kappa系数为0.82,分类精度能够满足遥感图像分类的需要.     

基于BP神经网络的湿地遥感分类

遥感图像分类的实质是通过计算机对图像像元进行数值处理，达到自动识别地物的目的．在对国内外湿地遥感分类研究的基础上，用BP神经网络方法对湿地遥感分类进行了研究，并与最大极然法进行精度比较分析．结果表明：BP神经网络分类法是一种有效的湿地分类技术，能够提高分类精度．     

Elman神经网络射流喷丸表面粗糙度的预测模型

为提高零构件表面疲劳抗力,求得射流喷丸强化表面质量更精确的预测方法,以2A11铝合金为实验材料,获得工艺参数对喷丸表面粗糙度的影响数据。以实验数据为样本分别采用LM前馈神经网络和Elman反馈神经网络建立喷丸表面粗糙度预测模型,在MATLAB环境下进行仿真实验,对比两种模型预测结果。结果表明:Elman神经网络预测模型更稳定,计算精度更高,训练时间更短,具有更大的实用价值。     

基于RBF神经网络的水深遥感研究

为提高水深遥感反演的精度,以Landsat TM1~4波段为数据源,利用已知的水深数据作为训练样本,建立RBF神经网络模型对岱海水深进行反演试验。利用实测的水深数据检验RBF神经网络模型的反演精度,并与传统反演模型和BP神经网络模型进行对比。结果表明,RBF神经网络模型反演的水深与实测水深的决定系数为0.90,平均绝对误差为1.09 m,均方根误差为1.45 m,反演效果和精度明显好于传统反演模型;与BP神经网络模型相比精度也有提高,而且RBF神经网络模型的参数大多通过训练学习得到,应用更为便捷,在干旱内陆的咸水型湖泊水深遥感反演中有一定的应用价值。     

基于改进自组织竞争神经网络的高光谱图像分类

针对传统的SOFM网络对高光谱图像分类精度低的缺点,提出了采用模糊积分与神经网络相结合的分类方法．即在改变网络的学习速率函数和邻域函数的前提下,同时对分类结果采用基于模糊积分的信息融合,使分类器之间相互补偿,并用高光谱图像的分类实验进行验证．与普通的SOFM网络和K均值聚类方法相比较,分类效果更好．     

基于Elman神经网络的路面附着系数识别

准确、高效地识别路面附着系数为汽车主动安全系统提供了重要输入参数。笔者提出了基于Elman神经网络识别路面附着系数方法,采用Carsim/Simulink联合仿真,获取了某车辆的63个行驶工况,共20个重要动力学响应。构建了Elman神经网络的路面附着系数识别模型,对附着系数为0.2～0.9的路面进行了识别,识别平均绝对百分比误差为4.92%,准确率为91.22%。相对于传统的BP神经网络方法,该方法使路面附着系数的识别平均绝对百分比误差降低了2.24%,准确率提升了9.82%,并且在潮湿沥青路面以及干燥沥青路面进行了实车实验,验证了该方法的有效性、可行性。     

基于Elman神经网络的盾构滚刀磨损预测方法研究

为了解决盾构在复合地质掘进时滚刀磨损检测的难题,提出一种采用Elman神经网络预测盾构滚刀磨损状况的方法。利用滚刀换刀后正常磨损阶段的盾构掘进参数数据,建立Elman神经网络预测模型,根据依此模型得到的预测掘进速度与实际掘进速度的偏差来预测滚刀的磨损状况。文中分析了滚刀磨损影响因素,确定了Elman神经网络预测模型结构,给出了滚刀磨损判断依据。结合广州地铁五号线草淘区间左线盾构工程项目研究表明,预测结果与实际换刀情况相符。该方法建模简单,模型有效且适应性强,研究结论可为类似地质条件下的盾构滚刀磨损检测和更换提供有益的指导。     

基于神经网络集成的经济预测模型

针对单个BP神经网络用于经济预测存在的不足,提出了一种新的更有效的经济预测模型--神经网络集成.神经网络集成通过训练多个神经网络并将各网络输出进行合成,能够显著提高网络的泛化能力.以广东省江门市的经济数据为例,采用Bagging算法训练了五个BP神经网络,构建了一个神经网络集成的GDP预测模型,并运用MATLAB 7.0语言程序实现.预测结果令人满意,优于单个神经网络预测方法.实证表明,神经网络集成用于经济预测是有效可行的,同时在一定程度上克服了单个神经网络的缺陷.     

一种基于BP网络和决策融合的高光谱遥感图像分类方法

BP神经网络在用于高光谱遥感图像分类时,其初始权值的选取对分类结果有很大影响.针对这种情况,提出了一种将BP神经网络与决策融合理论相结合的高光谱遥感图像分类方法,该方法将多个结构相同、初始权值不同的BP神经网络的分类结果进行融合,最后把融合结果作为原图像的最终分类结果,以实际的高光谱遥影像为例,说明该方法能够有效地提高遥感影像的分类精度.