α-生育酚在超临界CO_2中溶解度神经网络模型的建立

生育酚有很高的生理活性 ,油脂生产中得到的脱臭馏出物含有丰富的天然生育酚 作为萃取生育酚的基础 ,对甲酯化油脂脱臭馏出物中α -生育酚在超临界CO2 中的溶解度进行了测试 ,并用Chrastil分子缔合模型和RBF神经网络模型对溶解度数据进行了拟合 Chrastil分子缔合模型的相对误差为 2 5.36% 对于RBF神经网络模型 ,经过网络学习和训练 ,训练集平均误差仅为 0 .2 3% ,测试集误差为 6.4 8% ,效果比较理想     

分子蒸馏分离天然生育酚初步研究

以新疆地产资源棉籽油脱臭馏出物为原料,经过预处理后运用分子蒸馏技术分离原料中的生育酚,并与原料直接进行分子蒸馏的结果做了比较。原料中生育酚的含量为4.1%,直接进行分子蒸馏后生育酚的含量为6.5%;原料经过预处理后再进行蒸馏,生育酚的含量为61.3%,方法简单、快捷,可以用来分离棉籽油脱臭馏出物中生育酚。     

乙炔羰基化合成丙烯酸甲酯催化性能的人工神经网络模拟

通过神经网络技术可找出催化工艺与催化性能之间的关联性,从而对催化性能进行预测,达到提高研究效率的目的.本文针对训练样本中奇异样本对神经网络模型预测能力和泛化能力的影响,将遗传算法思想引入神经网络,构建神经网络模型动态训练集,建立了遗传算法-神经网络模型(GARBF);利用GARBF模型对乙炔羰基化合成丙烯酸甲酯催化性能进行预测模拟.结果表明:与RBF相比,GARBF的预测精度明显提高,对于六组测试集,平均相对误差从2.94％降低到1.18％,体现了更强的泛化能力.     

脲包—皂化法提取大豆油脱臭馏出物中的生育酚

提出了脲包－皂化反应去除脱馏出物中的豆油脂肪酸和甾醇,提取生育酚浓缩物的含量可达48．8％、回收率可达86．1％,而且提取的生育酚的抗氧化活性很高。为工业化利用豆脱臭馏出物中的生育酚提供了一条新的途径。     

应用Chrastil缔合模型计算元素硫在酸性气体中的溶解度

为了应用Chrastil缔合模型准确地计算元素硫在酸性气体中的溶解度,以现有文献中元素硫在酸性气体中的溶解度实验数据为依据,对前人采用的2种Chrastil模型系数拟合方法的Chrastil模型预测硫溶解度的效果进行了分析。结果表明:采用第一种拟合方法得到的Chrastil模型系数不能用来进行元素硫溶解度预测;而采用方法二得出的模型系数,可以预测溶解度随气体密度的变化趋势,但其预测误差偏大。为此,针对第二种拟合方法提出了一种计算Chrastil模型系数的改进拟合方法(二重变量循环法)。实例应用结果表明:在所研究的温度压力范围内,改进后的拟合方法使Chrastil缔合模型在预测精度上有较大幅度的提高,拟合的相对误差小于5%。     

基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型.首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集.基于改进的卷积神经网络(convolutional neural network,CNN),提取训练集的图像特征.使用训练集图片的特征进行训练,并且在测试集图片上实现分类测试.选取DenseNet、Xception和MobileNetV2三种模型,以灾难场景数据集(Disaster_Data_Scenes)为数据集进行实验验证.结果表明:改进的Xception和MobileNetV2网络在灾难场景数据集上进行的图像分类实验测试,比原网络精度分别提升了4.56％和3.04％.其中改进的DenseNet网络比原网络模型精度分别提升9.13％、17.88％和10.27％.可见改进的卷积神经网络模型的分类精度得到有效提高.     

除虫菊酯在超临界二氧化碳中溶解度的研究

建立了一套带预饱和釜的流动法测定固态物质在超临界CO2中溶解度的装置,测定了在35~45℃,8~17 MPa下除虫菊酯在超临界CO2中的溶解度.用Chrastil模型和改进的Chrastil模型对测定结果进行处理.表明对除虫菊酯用改进的Chrastil模型关联能获得较好的结果,该关联式为超临界CO2萃取与分离除虫菊酯提供了依据.     

基于RBF网络的船用柴油机涡轮增压系统故障诊断

本文建立了一种基于径向基函数（RBF）的神经网络模型,并收集某型号柴油机涡轮增压系统的征兆/样本集,采用RBF网络对样本进行训练,通过测试网络,验证该网络对于故障模式的识别准确率。仿真实验结果表明本文所提出的诊断方法是可行的。     

基于流形分析与AP算法RBF神经网络分类器

提出了一种基于流形分析与近邻传播（AP）算法的径向基函数（RBF）神经网络分类算法.通过流形分析算法对数据集进行初步处理,然后通过指数函数调整相似度矩阵,再重新进行AP聚类,在此基础上构造RBF神经网络分类器,通过拟合正确率来判断算法是否收敛,并对分类结果运用FMI指标进行评价.实验结果表明：改进算法中RBF网络隐节点数普遍得到增加,使得RBF神经网络拟合精度得以提高;从分类结果可以看出该算法对训练数据集都获得了很好的拟合正确率,对测试数据集也获得了较高的测试正确率.     

结合扰动集成RBF的故障识别方法

为提高旋转机械故障识别精度,将神经网络与集成学习方法进行结合,提出结合扰动方式的集成RBF故障模式识别方法.首先,通过ReliefF算法计算所提取出的转子故障特征数据集各个特征的权重,并且将权重值进行降序排列,从而筛选出权重趋大的系列特征构成低维特征数据集;其次,将较大权重作为无放回轮盘赌法的输入,对权重所对应的低维特征数据集进行特征扰动,产生系列化低维数据子集并将其划分为训练集和测试集;然后,采用Bagging算法中的自助采样法对训练集进行样本扰动,以此形成新的训练集并用于训练对应个数的RBF神经网络,完成差异性子分类器的构建;最终,对各个神经网络的测试数据辨识结果通过相对多数投票法进行结合,得到故障识别结果.实验结果表明,对于转子系统的故障识别,该方法相较于未集成RBF神经网络、集成BP神经网络具有较高的识别精度,并且拥有较好的泛化性能.     

尿素包合法浓缩豆油脱臭馏出物中生育酚

为了有效地回收豆油脱臭馏出物中富含的活性物质——生育酚，选择尿素包合的方法、该方法可以通过尿素对豆油脱臭馏出物中饱和脂肪酸的包合作用，除去饱和脂肪酸，使得生育酚浓度得到提高．研究了尿素用量、甲醇用量、冷析温度和冷析时间对包合效果的影响规律，并对影响因素进行了优化试验．优化试验确定的最佳包合条件为：浓缩20g大豆油脱臭馏出物需尿素60g、甲醇350m1、冷析温度5℃、冷析时间10h，可使α-生育酚纯度提高5倍多，而回收率可保持85％以上，达到了较为理想的浓缩效果．     

基于组合特征集成的蛋白质相互作用位点预测

运用RBF神经网络预测蛋白质相互作用位点.首先提取序列谱、保守权重、熵值、复合物可及表面积和序列变化率等一系列蛋白质相互作用位点的关键特征.然后应用RBF神经网络以及它们的集成来对这些样本集进行训练与测试.使用10次交叉验证进行训练与测试,创建了4组具有对比性的蛋白质相互作用特征组合.实验中每加入一种新的特征时正确预测率都会相应的提高,特别是加入可及表面积和序列变化率特征时正确率提高幅度更大,表明利用多特征组合,结合RBF神经网络算法进行预测蛋白质相互作用位点的方法是正确有效的.     

基于DA-RBF模型的微电网负荷预测研究

针对传统径向基神经网络(RBF)在微电网负荷预测上精度低的问题,采用具有全局搜索以及优化能力的蜻蜓算法(DA)对RBF神经网络进行优化。利用蜻蜓算法对RBF神经网络的中心向量、宽度向量以及隐含层和输出层之间的连接权值进行优化处理,构建出DA-RBF的微电网负荷预测模型。使用夹角余弦法对负荷数据进行夹角余弦的计算从而获得相似日,确定模型的训练集和测试集数据,以此来降低数据本身对模型精度的影响。然后将选择的数据放入模型中进行仿真实验,并选择平均百分比误差(MAPE)来衡量模型精度的高低,将预测结果同DA-BP、CEEMD-RSVPSO-KELM、CPSO-LSSVM及AMPSO-BP作比较,DA-RBF的MAPE均最低,由此证明了DA-RBF在微电网负荷预测上的可行性及优越性。     

基于径向基神经网络的建筑物空调负荷预测模型

本文建立了一种基于径向基（RBF）神经网络的建筑物空调负荷预测模型。对广州市某办公楼在夏季不同月份的逐时冷负荷,分别用RBF神经网络模型和BP神经网络模型进行训练和预测计算,发现RBF神经网络模型预测的均方根误差ΔRMSE和平均相对误差ΔMRE都仅是BP神经网络方法的64％左右。仿真结果表明径向基（RBF）神经网络具有更高的预测精度及更好的泛化能力,是建筑物空调负荷预测的一种有效方法。     

一种基于可解释神经网络模型的压缩机功率软测量方法

为在保证测量的准确性和高效性的同时,降低软测量方法对数据集的依赖性,提出一种基于可解释神经网络的压缩机功率软测量方法.实验中,在使用泛化性良好的数据集进行训练时,可解释神经网络模型在测试集上的均方根误差为0.009 4,相比反向传播(BP)神经网络模型降低了1.1%.在使用泛化性较差的数据集进行训练时,可解释神经网络模型在测试集上的均方根误差为0.012 8,相比BP神经网络模型降低了79.8%.实验结果表明,基于可解释神经网络的压缩机功率软测量方法不但具有较高的准确率,且在使用泛化性较差的数据集进行训练时,依然能够保持较高的测量性能.     

基于概率神经网络的中草药活性组分利尿性的QSAR究

利用线性判别分析和概率神经网络，建立了预测中草药有效成分利尿性与其分子结构参数之间的QSAR模型，概率神经网络分类结果好，训练集、交互检验集和测试集的分类正确牢均可达到100％，本文所用的概率神经网络结构简单、易于调试，研究工作进一步明确了分子利尿性与其结构参数之间的关系，有助于利尿药物的选择与合成。     

一个基于改进遗传算法的RBF网络入侵检测模型

针对异常入侵检测中存在的误报率高的问题,文章提出了一种基于改进遗传算法的RBF网络入侵检测模型。采用数据挖掘方法建立聚簇规则集,用改进的遗传算法优化RBF网络,用已训练好的RBF网络对与聚簇规则集中不匹配的可疑行为进行检测,并能识别出具体的入侵类型。实验表明,文中提出的模型采用改进遗传算法的RBF神经网络,较基于BP神经网络的检测技术有更好的识别精度。     

基于径向基函数的概率神经网络的心律失常自动识别

讨论了基于径向基函数(RBF)的概率神经网络的基本网络结构和网络的学习和运行过程,并且与BP算法 的径向基神经网络进行了对比,同时也测试了网络的容错能力．结果表明,基于RBF的概率神经网络,学习速度大 大提高,同时减小了BP陷入局部极小的问题,有一定的抗噪声的能力．基于RBF的概率神经网络模型在心律失常 自动识别中获得了很好的应用．     

基于量子免疫的RBF神经网络在上市公司财务预警中的应用

针对传统的RBF神经网络财务预警模型难以解释变量之间的因果关系,使得训练时间增加、训练精度下降等缺陷,该文提出了一种基于量子免疫的改进的RBF神经网络的财务预警模型.该模型通过改进的量子免疫算法对RBF神经网络的连接权值进行优化,将连接权,隐节点中心以及宽度编码为基因,构成抗体,然后通过遗传迭代使网络参数逐步优化,最终达到最优结果.详细阐述了算法的实现过程以及利用量子免疫算法改进RBF神经网络财务预警模型,然后,分别采用改进RBF神经网络法、传统RBF神经网络法及Logistic回归模型进行实证对比分析,实证证明了改进RBF神经网络模型预警的准确性有较大提高.     

一种基于RBF神经网络优化算法在入侵检测中的应用

入侵检测系统是当前信息安全领域的研究热点,在保障信息安全方面起着重要的作用．笔者对原有的基于RBF神经网络的入侵检测模型进行改进并给出了设计思想．该模型能将入侵检测系统的两种检测技术——误用检测和异常检测有效地结合起来,使用两层RBF神经网络训练模块,三层训练机制,在训练时间方面有较大的优势,并能实时地检测到新型攻击．