连续发酵过程的神经网络预测和控制

给出了神经网络趋化性算法的一种新的实现策略，在此基础上，提出了一种动态递归神经网络建模方法和一种控制作用受限的自学习非线性控制方法。将其用于连续搅拌签式发酵器的状态变量的在线预测和优化控制，仿真结果表明，预测精度高，控制效果好，具有强抗扰和强鲁棒性。在不知道生化过程模型结构的情况下，神经网络模型，可取很容易地通过在线或离线学习到高度复杂的非线性生化过程的输入．输出关系。对于经过最优操作点，稳态增益的符号会发生变化的这类难以控制的生化过程，神经网络非线性控制策略，可以使生化反应器始终维持在最优状况。本方法有望在实际工业过程中得到应用。     

双圆n边形初探

解决了双圆ｎ（３≤ｎ≤６）边形的存在性并导出它们的一个重要性质：以双圆ｎ（３≤ｎ≤６）边形外接圆上的任意一点为起点都可作成一个新的双圆ｎ边形。     

工艺尺寸的网络图分析和整体解算

本文以凸缘套类零件加工为例,阐述了工艺尺寸的网络图分析、解算的全过程。说明尺寸网络图不仅简洁明了地表示出机械加工过程中全部的尺寸联系,而且是该几何结构的数学模型。它内涵着一个网络尺寸链矩阵,充分表明了全部尺寸联系的整体性特征。运用整体解算全部工艺尺寸,比传统的尺寸链计算法更完善,图解计算更简便。借助它可以方便地进行工艺方案的拟定与工艺方案的选优。     

多值光谱自联想反馈神经网络

将神经元状态取值的多样化和光谱自联想反馈神经网络的理论相结合,提出了多值光谱自联想反馈神经网络,有效扩展了Ronald G. Spencer提出的光谱自联想反馈神经网络.多值光谱自联想反馈神经网络的优势,主要在于有效扩大了网络神经元状态的取值范围,使其不仅能存储两级样本,亦可存储一些其他值,这样能使神经元之间的联系更为紧密.实验结果亦表明其优越性更加适应于在通信领域中应用.     

用门控循环单元实时预测空战飞行轨迹

为了提高飞机飞行轨迹预测准确率、确保轨迹预测实时性,提出使用门控循环单元(gated recurrent unit, GRU)预测轨迹。对不同条件下的不同机动动作进行飞行仿真,得到大量轨迹样本。设计具有不同层数和神经元个数的网络,用得到的样本对其进行训练。选出在测试集上误差最小的网络结构。对比GRU网络、循环神经网络和反向传播网络的相对误差和预测用时。引入坐标变换矩阵,使轨迹预测不受航向和坐标系影响。对比3种方法在一段频繁变化的轨迹上的绝对误差。结果表明,所提方法的平均绝对误差在x轴上约为18 m,在y轴上约为11 m,在z轴上约为22 m,显著小于另外两种方法,且平均预测用时约为2.4 ms,满足实时性要求。     

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。     

递归神经网络学习速率研究

针对典型的对角递归神经网络,推导出递归神经网络稳定条件下网络输出层、隐含层及关联层学习速率的具体取值范围。提出设计者可通过从具体系统中获得的数据确定网络各层学习速率的上、下界数值,确定自适应学习速率的初值与调节方法,并可选取最优学习速率。因而该法具有很强的可操作性和实用性。还给出一个具体数值实例,说明自适应学习速率与最佳学习速率的调整过程。     

常系数递归数列求和方法

讨论了常系数线性递归数列的一些性质,对非齐次线性递归数列一类特殊情况进行了分析,给出了它的通项公式的一般形式,对其它类型的非齐次线性递归数列的通项形式也进行了简单的讨论,利用以上结果最后对著名的Fibonacci数列和Hanoi数列进行了详细讨论。     

基于动态递归神经网络的自适应控制非线性系统研究

提出一种基于动态递归神经网络的自适应控制器 ,该控制器能通过自学习不断进行适应性控制 ,且结构简单 ,易于实现 .其主要特点是能够提供一个跟踪网络来辩识系统模型 ,进而确定控制器的网络参数 ,实现间接自适应神经网络控制 .经过对大量非线性系统的仿真研究 ,证明其具有良好的控制性能 .     

基于循环神经网络的汉语语言模型并行优化算法

计算复杂度高导致循环神经网络语言模型训练效率很低,是影响实际应用的一个
瓶颈. 针对这个问题,提出一种基于批处理(mini-batch) 的并行优化训练算法. 该算法利用
GPU 的强大计算能力来提高网络训练时的矩阵及向量运算速度,优化后的网络能同时并行处
理多个数据流即训练多个句子样本,加速训练过程. 实验表明,优化算法有效提升了RNN 语
言模型训练速率,且模型性能下降极少,并在实际汉语语音识别系统中得到了验证.