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.     

部分反馈神经网络对腊样芽孢杆菌DM423分批培养过程中生物量的软测量

神神经网络以其较强的非线性处理能力在生物化工中有着广泛的应用前景，本文应用部分反馈神经网络对分批培养过程中的腊样芽孢杆菌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，并也将网络输出的生物量浓度进行延时、反馈作为网络输入量，生物量浓度当时值为输出量，网络的泛化能力较好，测试样本的均方差为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和预测能力。     

粒子群优化-BP神经网络对岩爆的预测

岩爆是典型高地应力区主要地质灾害之一,其预测理论和发生机制的研究目前并不成熟.本文通过选择合适的影响岩爆程度的主要因素,应用BP神经网络对岩爆样本进行训练并利用预测样本进行检验,由于BP神经网络的初始权值和阀值对网络学习效率和预测结果有影响,因此其对检验样本的预测结果往往不够理想.利用粒子群算法(PSO)对BP网络的初始权值和阀值进行优化,将改进后的BP神经网络算法应用于预测,预测的结果优于BP神经网络.表明利用PSO-BP神经网络算法对实际工程中的岩爆进行预测是可行的.     

培养方法对钝顶螺旋藻生长的影响

比较两种培养方法：静置培养（每天定时摇动4次）和摇瓶培养（往复式摇床）对钝顶螺旋藻生长的影响。实验结果表明：遥瓶培养能加速藻的生长,生长周期缩短,生长速度、生物量、叶绿素a含量均高于静置培养,摇瓶培养能维持合适的溶解氧。摇瓶培养装置易于构建,混合效果良好,不易使螺旋藻丝断裂,还可使生物量提高约22．0％。     

神经网络模型在煤碳生物脱硫仿真及优化中的应用

通过单因素实验研究了转速、培养温度、初始pH、脱硫时间、煤浆浓度和煤炭颗粒度对煤炭生物脱硫的影响,建立了煤炭生物脱硫反应过程的BP神经网络模型.研究结果表明,神经网络训练中的模型检验均方误差接近1×10-3,模型检验样本预测输出值和试验值的决定相关系数达到0.9997,表明该模型对煤炭生物脱硫过程仿真及结果预测效果良好;采用遗传算法工具箱对建立的BP神经网络模型进行优化求解,在最优条件下得到的脱硫率为47.6%,该结果经实验验证具有可靠稳定性.     

基于GA-BP神经网络的综合管廊投资估算研究

针对综合管廊造价高于传统市政管线设施,其估算具有影响因素众多、非线性等特点,综合考虑管廊长度、截面面积、舱数以及管线入廊个数等10个特征因素,充分利用遗传算法(GA)与BP神经网络模型的优点,建立了基于GA-BP神经网络的预测模型。通过MATLAB仿真试验,对综合管廊的投资估算进行预测研究,并与传统BP神经网络的计算结果进行对比。相关测试表明:检验样本的模拟输出值与样本真实值呈线性吻合,相对误差基本在5%以内,说明该模型预测综合管廊的投资估算比传统BP神经网络模型具有更高的精度和一定的实际应用价值。     

高产油脂斯达氏酵母菌株的选育及摇瓶发酵条件的初步研究

以斯达氏油脂酵母Lipomyces starkeyi AS 2．1560为出发菌株．经紫外线诱变选育出了一株高产油脂的优良酵母菌株L．starkeyi M36．通过摇瓶培养,对与菌体产油脂相关的因素进行了单因子试验,确定了摇瓶发酵培养的最佳产油脂条件,碳源为葡萄糖110g／L;氯源为硫酸铵0．6g／L;培养温度30℃;接种量15％;初始pH5．0～7．0;培养144h。最后可得生物量24．2g／L;油脂量14．6g／L．菌油脂肪酸组成分析结果如下：豆蔻酸0．5％,软脂酸35．2％,棕榈油酸4．3％,硬脂酸4．4％,油酸53．0％,亚油酸2．6％．与植物油脂相似．     

基于IPSO-BP神经网络的坝基扬压力预测方法研究

针对坝基扬压力预测的传统BP神经网络模型初始权值和阈值随机性强、易陷入局部最优等局限,采用惯性权重动态调整的改进粒子群算法对BP网络的初始权值和阈值进行优化,建立了基于IPSO的BP神经网络坝基扬压力预测模型．通过算例验证算法的优越性及程序的准确性,并以某大坝多年扬压力监测数据进行工程实例应用,结果表明,IPSO—BP扬压力预测模型与传统BP模型相比,拟合相关系数大,统计误差小,预测精度更高．     

基于神经网络的沥青混合料抗剪强度预估方法

通过采用神经网络工具,探讨沥青混合料的抗剪强度预估方法．通过对比,采用不同输入参数,选定沥青类型、集料类型、空隙率、级配类型、公称粒径、油石比等六个影响因素作为输入参数．引入了误差分级迭代法进行网络学习训练,通过对比常规BP算法和误差分级迭代法,发现后者能有效减轻初始权值和阈值对训练和样本预测的影响,也能较好控制样本预测的误差．因此,建议采用基于误差分级迭代法的BP神经网络方法,预测沥青混合料的抗剪强度．     

基于径向基函数网络的能源消费量预测模型

采用径向基函数(RBF)神经网络方法进行能源消费量预测,建立了基于RBF神经网络的能源消费量预测模型。以我国1978~1997年的实际数据作为学习样本,对网络进行训练,拟合效果良好;以1998~2002年的实际数据检验网络,预测精度较高。并通过实例与BP网络进行比较,表明RBF网络预测模型优于BP网络预测模型。     

基于BP神经网络模型的ADCP倾斜条件下的修正算法研究

针对现有ADCP倾斜条件下修正算法不准确的问题,将BP神经网络模型应用于分析倾斜条件下波浪估计误差与影响因素ADCP俯仰角、横滚角以及安放深度之间的非线性关系。结果表明,BP神经网络模型的预测值和实测值吻合较好,能够提升波浪估计的准确性。     

基于GSA-BP神经网络的OFDM系统信道估计算法

针对正交频分复用(orthogonal frequency division multiplexing, OFDM)系统中存在的不可忽视的非线性噪声问题,为了能够更好了解信道特性,需要利用信道估计获得信道状态信息,提出一种基于黄金正弦优化BP(golden sine algorithm,GSA-BP)神经网络的OFDM系统信道估计算法,克服了传统 BP神经网络算法容易陷入局部极值的问题,提升了信道估计算法的估计精度.首先通过LS信道估计算法获得信道的初始估计,再将其通过GSA-BP神经网络算法得到信道的精确估计.仿真结果表明,在相同的信道环境下,提出的算法比LS算法具有更好的性能,与MMSE算法性能接近,但不需要信道先验统计特性,易于实现.     

人工神经网络在红霉素发酵过程状态预估中的应用

探索了动态ＢＰ网络和ＲＢＦ网络在红霉素发酵过程状态预估中的应用,比较了它们的收敛速度和学习能力。结果表明,ＢＰ网络和ＲＢＦ网络都具有相当好的学习能力,但ＲＢＦ网络的收敛速度更快,训练好的神经网络,在红霉素发酵过程中可在线预估出红霉素效价、葡萄糖浓度、ＮＨ２－Ｎ浓度、丙醇浓度和菌体浓度等参数值,并可在进上步的过程优化和控制中应用。     

GA-SAPSO神经网络模型的构建

BP神经网络存在寻优参数多、收敛速度慢、易陷入局部极小的固有缺陷,为改进其网络性能,本文利用遗传-模拟退火粒子群算法(GA-SAPSO)对BP神经网络的初始权值及神经元阀值进行优化处理,并重新构建网络模型.实例仿真结果表明:所构建模型降低了BP网络结构的复杂性,避免了网络参数选取的盲目性,提高了网络的计算精度.     

基于残差神经网络的高强度运动超分辨率图像重构

针对实际拍摄的亚像素信息较少的低分辨率运动图像,重构图像通常较为模糊,甚至不能分辨。为此,提出一种新的基于残差神经网络的高强度运动超分辨率图像重构方法。令沿运动方向的亮度保持恒定,通过光流场匹配实现高强度运动图像的运动估计;根据运动估计结果和超分辨率重构的基本思想,将BP神经网络看作残差神经网络的基础建立残差神经网络,对残差神经网络进行训练,参照训练样本将经插值法放大若干倍的待重构高强度运动图像作为输入,将高分辨率图像和输入图像间的残差作为输出,把输入和输出累加获取超分辨率图像,实现若干放大倍数高强度运动超分辨率图像的重构。实验结果表明,所提方法运动估计准确,重构图像清晰、质量佳。     

基于遗传算法优化BP神经网络的TIG焊缝尺寸预测模型

建立了4-12-4结构的误差反向传播(BP)神经网络.以训练样本预测误差作为适应度函数,采用具有全局寻优功能的遗传算法得到最优化的BP神经网络的权值和阀值.以TIG焊接工艺参数电弧长度、保护气流量、焊接电流和焊接速度作为网络输入,焊缝的上余高、下余高、上焊宽和下焊宽作为网络的输出,优化后的BP网络模型具有良好的泛化能力和预测能力.     

基于BP神经网络对念珠藻摇瓶培养条件的优化

利用均匀设计就pH、装液量、接种量和光强等影响念珠藻生长的因素进行研究,并以所得的数据为样本建立一个结构为4-6-1的神经网络.当网络的学习速率为0.08,动态参数为0.8,SIGMOID参数为0.8,隐含层神经原数为6时,网络的拟合平均误差为2.24%.在固定装液量为100 mL的条件下,利用该网络优化念珠藻的培养条件,得到最优的培养条件为pH7.4,接种量1.5 g/L,光强5 700 lx,生物量达到1.702 3 g/L.     

基于SSA-BP的离港航班滑出时间预测

针对传统反向传播(back propagation, BP)神经网络在离港航班滑出时间预测时存在对初始权值和阈值敏感、准确性和稳定性不好等缺点,提出了一种基于麻雀搜索算法(sparrow search algorithm, SSA)获取BP神经网络的最优权值和阈值的方法。首先分析了离港航班滑出时间的可量化影响因素及相关性,然后构建了基于SSA-BP的离港航班滑出时间预测模型,并采用中国中南某枢纽机场2周的实际运行数据对预测模型进行了验证。结果表明：离港航班滑出时间与同时段滑行的离港航班数量强相关,与同时段滑行的进港航班数量、同时段推出的离港航班数量、平均滑出时间中度相关,与滑行距离和转弯个数弱相关;基于SSA优化后的BP神经网络预测结果误差在±60 s内的准确率提升了20%,误差±180 s内的准确率提升了12%,误差±300 s内的准确率提升了7%。;预测结果的平均绝对误差百分比提升了2.61%,平均绝对误差减少了11.73 s,均方根误差减少了61.03 s。研究成果为提升大型枢纽机场场面运行效率提供了思路。