基于时间差分和局部加权偏最小二乘算法的过程自适应软测量建模

工业过程软测量模型常常因为过程的变量漂移、非线性和时变等问题而使得预测性能下降。因此,时间差分已被应用于解决过程变量漂移问题。但是,时间差分框架下的全局模型往往不能很好地描述过程非线性和时变等特性。为此,提出了一种融合时间差分模型和局部加权偏最小二乘算法的自适应软测量建模方法。时间差分模型可以大大减少过程变量漂移的影响,而局部加权偏最小二乘算法作为一种即时学习方法,可以有效解决过程非线性和时变问题。该方法的有效性在数值例子和工业过程实例中得到了有效验证。     

神经元网络理论在乙烯精馏塔成分估计中的应用

针对前馈神经元网络误差反向传播算法收敛速度慢，且常常收敛于局部极小值等缺陷，提出了一种基于变步长、加压缩因子的共轭梯度搜索的快速学习算法。通过对乙烯精馏塔成分估计的应用表明，该方法比最小二乘估计法具有更好的外推性。     

陶瓷砖长、宽尺寸视觉检测系统研究

重点介绍了一种应用机器视觉技术进行陶瓷砖尺寸在线自动检测系统,采用面阵CCD或CMOS摄象机作为测量工具。提出了完整的图像预处理和尺寸测量算法,梯度算子和亚像素细分算法,实现了目标边缘的精确定位。综合应用哈夫变换和最小二乘法等算法实现了陶瓷砖边长尺寸的精确测量。     

基于分阶段的LSSVM发酵过程建模

发酵过程建模是研究微生物发酵的重要课题,基于模型可实现被测参量的软测量、系统的优化控制。鉴于引入混合核函数的最小二乘支持向量机在过程建模中具有优良表现,采用基于混合核函数的最小二乘支持向量机建模。但由于发酵过程周期较长,最小二乘支持向量机的全局模型预测精度难以保证,算法复杂度很高,因此提出一种分阶段建模方法。首先,选择表征阶段特性的辅助变量,利用模糊C均值聚类算法对样本数据聚类,将发酵过程分成不同的阶段,然后为各个阶段分别建立最优混合核最小二乘支持向量机局部模型,最后将局部模型合成构成过程的完整模型。将此方法应用于青霉素发酵过程和重组大肠杆菌发酵过程中,验证了该方法的有效性。     

复合PLS模型在近红外光谱分析煤炭中的应用

为了更好地确定偏最小二乘法模型的主成分数,提出一种传统偏最小二乘法和多主成分数偏最小二乘法相结合构建复合偏最小二乘模型的方法。给出了预测时两种样品相似度的计算方式:直接距离法和性质得分距离法。分别采用复合偏最小二乘法和传统偏最小二乘法对煤炭的全硫、灰分、热值和碳含量进行建模预测,比较传统偏最小二乘法和多主成分数偏最小二乘法建模过程中的相关系数和交互验证均方根误差,采用复合偏最小二乘模型对验证集样品预测时,计算了不同相似度计算方式下不同样品间距离算法的预测均方根误差,并同传统偏最小二乘法预测均方根的误差进行比较,结果表明:复合偏最小二乘法建模比传统偏最小二乘法建模有更强的适应性,能够提高预测的准确性。     

Compound PLS Model in Coal Analysis with Near-infrared Spectra

为了更好地确定偏最小二乘法模型的主成分数,提出一种传统偏最小二乘法和多主成分数偏最小二乘法相结合构建复合偏最小二乘模型的方法.给出了预测时两种样品相似度的计算方式:直接距离法和性质得分距离法.分别采用复合偏最小二乘法和传统偏最小二乘法对煤炭的全硫、灰分、热值和碳含量进行建模预测,比较传统偏最小二乘法和多主成分数偏最小二乘法建模过程中的相关系数和交互验证均方根误差,采用复合偏最小二乘模型对验证集样品预测时,计算了不同相似度计算方式下不同样品间距离算法的预测均方根误差,并同传统偏最小二乘法预测均方根的误差进行比较,结果表明:复合偏最小二乘法建模比传统偏最小二乘法建模有更强的适应性,能够提高预测的准确性.     

自适应混合粒子群约束优化算法及其在软测量模型参数估计中的应用

对于软测量模型参数估计问题, 针对传统梯度法求解非线性最小二乘模型时依赖初值、需要追加趋势分析进行验证和无法直接求解复杂问题的缺陷, 提出将参数估计化为约束优化问题, 使用混合优化算法求解的新思路。为此提出一种自适应混合粒子群约束优化算法(AHPSO-C)。在AHPSO-C算法中, 为平衡全局搜索(混沌粒子群)和局部搜索(内点法), 引入自适应内点法最大函数评价次数更新策略。对12个经典测试函数的仿真结果表明, AHPSO-C是求解约束优化问题的一种有效算法。将算法用于淤浆法高密度聚乙烯(HDPE)串级反应过程中熔融指数软测量模型参数估计, 验证了方法的可行性与优越性。     

基于ROLS算法的递归RBF神经网络结构设计

针对递归RBF神经网络结构难以自适应问题,提出一种基于递归正交最小二乘（recursive orthogonal least squares,ROLS）算法的结构设计方法。首先,利用ROLS算法来计算隐含层神经元的独立贡献度和损失函数,以此判断增加或归为不活跃组的神经元,同时调整神经网络的拓扑结构,并且利用奇异值分解（singular value decomposition,SVD）决定最佳的隐含层神经元个数,以此来删除不活跃组中相对不活跃的神经元,有效地解决了递归RBF神经网络结构冗余和难以自适应问题。其次,利用梯度下降算法更新递归RBF神经网络的参数来保证神经网络的精度。最后,通过对Mackey-Glass时间序列预测、非线性系统辨识和污水处理过程中关键水质参数动态建模,证明了该结构设计方法的可行性和有效性。     

混沌最小二乘支持向量机及其在发酵过程建模中的应用

针对青霉素发酵过程的参数检测存在不确定因素,提出一种基于混沌最小二乘支持向量机的青霉素浓度预测方案。采用混沌优化算法对最小二乘支持向量机参数进行寻优,建立了一种混沌最小二乘支持向量机模型。首先,利用该模型对两种常规非线性函数曲线进行了仿真回归,结果表明,算法具有良好的建模精度;其次,基于Pensim仿真平台,运用文中方法预测青霉素发酵过程的产物量,实验仿真表明混沌优化算法具有良好的全局优化性能,在参数选择中可以有效避免陷入局部最小值,基于混沌优化的最小二乘支持向量机具有较高的建模精度。     

基于ROLS算法的递归RBF神经网络结构设计

针对递归RBF神经网络结构难以自适应问题,提出一种基于递归正交最小二乘(recursive orthogonal least squares,ROLS)算法的结构设计方法。首先,利用ROLS算法来计算隐含层神经元的独立贡献度和损失函数,以此判断增加或归为不活跃组的神经元,同时调整神经网络的拓扑结构,并且利用奇异值分解(singular value decomposition,SVD)决定最佳的隐含层神经元个数,以此来删除不活跃组中相对不活跃的神经元,有效地解决了递归RBF神经网络结构冗余和难以自适应问题。其次,利用梯度下降算法更新递归RBF神经网络的参数来保证神经网络的精度。最后,通过对Mackey-Glass时间序列预测、非线性系统辨识和污水处理过程中关键水质参数动态建模,证明了该结构设计方法的可行性和有效性。     

基于遗传神经网络的微滤膜通量的预测

针对BP神经网络在寻优过程中容易陷入局部极小值的缺点,将遗传算法和BP神经网络相结合,构造了一种基于遗传算法的反向传播（GABP）神经网络。网络的训练分为两步：首先利用遗传算法群体寻优策略,采用遗传算法对网络权值和阈值进行全局搜索,保证其落入全局最优点的邻域;然后再用梯度法对网络权值进行细化训练以进一步减小误差,使其收敛于全局最优解或性能很好的近似最优解。网络训练时使用的数据是在不同操作条件 （温度、压力、浓度）下,用标准孔径为0.1 μm 的亲水聚偏氟乙烯微滤膜过滤牛血清白蛋白(BSA)溶液时得到的膜通量实验数据,用训练好的GABP神经网络对微滤膜过滤BSA的膜通量预测研究结果表明,与传统的BP算法相比,GABP神经网络算法改善了网络收敛速度以及膜通量预测的准确度。     

A Surrogate Integrated Production Modeling Approach to Long-Term Gas-Lift Allocation Optimization

The conventional static gas-lift allocation optimization approaches are not appropriate for long-term gas-lift projects. A good choice for long-term optimization should predict gas-lift performance dynamically as a function of production time and other variables. A good solution approach for problem is a hybrid of surrogate integrated production modeling and genetic algorithm (GA). Hybrid GAs have received significant interest in recent years and are being increasingly used to solve real-world problems. GA incorporates other techniques within its framework to produce a hybrid that reaps the best from the combination. This study discusses a new method known as surrogate integrated production modeling that uses an artificial neural network to predict gas-lift performance based on a database of oil production. Then, a hybrid of the neural network and GA is used for long-term gas-lift allocation optimization in a group of wells under real constraints.     

基于基团贡献神经网络集成法估算有机物常压凝固点

基于基团贡献法应用人工神经网络对有机物的常压凝固点进行了估算,输入参数为有机物的基团数和表征异构体的参数,输出为常压凝固点.分析了采用最速梯度下降法的BP算法在训练过程中产生误差饱和情况的原因,采用在隐含层节点中加入误差饱和预防函数用来防止误差饱和情况的出现.仿真结果表明,所采用的方法能有效地减小网络在误差表面陷入低谷的可能性和提高网络的收敛速率.采用神经网络集成法建立了神经网络集成模型,通过仿真合理选择隐含层节点数和采用交叉验证法用于防止BP网络的过度训练,增强了网络的泛化能力.估算结果表明,所建立的神经网络集成模型,其网络有良好的稳定性和预测精度,207个样本估算的绝对平均相对误差为8.62%.     

基于神经网络的丙烯腈流化床反应器的离线模拟与优化

A mathematical model is developed for an industrial acrylonitrile fluidized-bed reactor based on artificial neural networks.A new algorithm,which combines the characteristics of both genetic algorithm(GA) and generalized delta-rule(GDR) is used to train artificial neural network (ANN) in order to avoid search terminated at a local optimal solution.For searching the global optimum,a new algorithm called SM-GA,incorporating advantages of both simplex method (SM) and GA, is proposed and applied to optimize the operating conditions of an acrylonitrile fluidized-bed reactor in industry.     

基于BP神经网络的变压器故障诊断

利用BP神经网络对变压器进行故障诊断.以特征气体含量的比值作为输入量,利用MATLAB软件建立故障诊断模型,利用改进的动量梯度下降法,达到了故障诊断的要求.并通过变压器故障诊断实例分析,证明了该方法的有效性.     

基于改进遗传算法的BP神经网络手写数字识别

手写数字识别是光学字符识别技术的一个分支,一般采用神经网络,其中较为突出的是BP神经网络,但BP算法易陷入误差局部最小产生振荡且训练速度慢,通常先采用优化算法对其结构进行优化。为此,在分析GA-BP算法原理的基础上,提出对GA算法的相应算子中交叉和变异概率进行改进的方法,并用改进的GA算法优化BP神经网络的连接权值和阈值。以手写体数字识别为对象进行实验,结果表明：该方法具有更快的收敛速度和更可靠的稳定性,大大提高了BP神经网络的学习速度和识别率。     

基于神经网络的丙烯腈流化床反应器的模拟与离线优化

利用人工神经网络的方法建立了工业合成丙烯腈流化反应器的数学模型。采用遗传算法与梯度下降法相结合的方法训练神经网络的权值和阀值。经过训练和可靠性检验的人工神经网络能够满足工业生产的模拟要求。利用单纯型算法与遗传算法相结合的优化方法合成丙烯腈工业流化反应器进行了操作系统优化，为在线实时优化控制奠定了基础。     

Automatic design of neural network structures

Artificial neural networks are being extensively applied in many fields of science and engineering. Despite their wide range of applications and their flexibility, there is still no general framework or procedure through which the appropriate neural network for a specific task can be designed. The design of neural networks is still very dependent upon the designer's experience. This is an obvious barrier to the wider application of neural networks. To mitigate this barrier methods have been developed to automate the design of neural networks. A new method for the auto-design of neural networks was developed, which is based on genetic algorithms (GA) and Lindenmayer Systems. The method is less computationally intensive than existing iterative design procedures, hence it can be applied to the automatic design of neural networks for complex processes. To evaluate the performance of the new design procedure, it was tested for the design of industry standard neural networks. The method was also applied to design neural networks to model the dynamics of a pH neutralization process and a CSTR reactor in which a set of nonlinear reactions takes place. The networks obtained by the new algorithm for these typical chemical processes was much simpler, yet more accurate than those designed by traditional methods.     

改进的双模型结构RBF神经网络及其应用

提出了离线结构学习和在线权值校正相结合的双模型结构RBF神经网络,以离线学习和在线校正相结合的方式实现网络的自学习和自校正,满足了软测量仪表现场应用的要求。针对应用过程中出现预测误差过大的现象,通过对网络算法进行分析,研究影响网络预测精度的因素,在此基础上,提出了以K均值聚类法和递推下降算法相结合的RBF神经网络建模改进算法,仿真结果和实际应用证明了改进算法的有效性。