基于并行核径向基神经网络的软测量与控制模型

转炉提钒过程中存在大量多元非线性因素,难以从统计学和机理上建立各操作参数与生产目标的优化控制模型,为优化转炉的操作参数,建立了基于径向基神经网络的半钢钒含量软测量和控制模型.径向基神经网络常用于非线性回归预测和控制,但是高维的核函数矩阵运算需要花费巨大计算资源.为了缩短计算时间,本文设计了并行算法用于计算径向基网络核函数矩阵,并将它用于转炉提钒软测量和控制模型,在以MPI构建的工作站机群上执行该算法,利用实际数据验证了该算法的加速性和准确性.     

基于效用函数逼近的绿色产品评价方法

提出了采用逼近绿色产品效用函数的评价方法。首先选取产品样本,然后采用函数逼近方法建立评价模型。依据人工神经网络逼近函数的计算条件, 建立了基于BP神经网络和径向基函数神经网络的绿色产品评价模型以电冰箱为例,建立评价指标体系,收集了相关的评价样本,分别对BP神经网络和径向基函数神经网络进行了训练和仿真。该方法的计算不需要各指标的权重,可对绿色产品序数和基数效用函数进行逼近,实现了绿色产品非线性效用函数的评价。     

基于正则化 AdaBound 的区间二型模糊 神经网络软测量建模

针对复杂化工过程中存在强非线性、多变量耦合、参数时变及大时滞等因素,导致监测变量软测量精度不高的问题,提 出了一种基于正则化 AdaBound 的区间二型模糊神经网络(RAIT2FNN) 软测量建模方法。 首先为了解决区间二型神经网络 (IT2FNN)结构难以确定的问题,提出了一种采用激励强度和相似度定义增长和删减指标的自组织产生规则的算法。 该算法利 用激励强度的大小决定是否产生规则,并根据相似度进行规则的删减从而确定了区间二型模糊神经网络的结构。 其次,本文提 出正则化和 AdaBound 相结合的算法对 RAIT2FNN 模型相关参数进行修正,使得不同参数具有有界的自适应学习速率。 最后将 RAIT2FNN 作为软测量模型应用于环己烷无催化氧化过程尾氧浓度预测问题中。 实验结果为测试时间为 0. 008 2,训练 RMSE 为 0. 018 2,测试 RMSE 为 0. 009 6,表明 RAIT2FNN 作为软测量模型具有预测及时且预测精度较高的优点。     

基于改进核模糊聚类算法的软测量建模研究

针对发酵过程软测量建模采用单模型建模方法存在计算量大和精度较差的问题,提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法.该方法首先使用主元分析方法对样本数据进行数据处理,所得主元变量作为模型的输入变量,然后使用基于粒子群优化算法的核模糊C均值聚类算法(PSKFCM)对数据集作聚类划分,最后针对每个聚类建立局部神经网络模型,多个局部神经网络模型估计结果的融合即为软测量模型的输出.将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模,结果表明所建软测量模型具有较高的精度和良好的泛化能力.     

基于AR模型和径向基神经网络的滚动轴承故障诊断

径向基函数(RBF)神经网络是一种三层前馈型非线性神经网络，它具有较强的函数逼近能力和分类能力。根据径向基函数神经网络的优点，在对滚动轴承正常和故障振动信号特征分析的基础上，提出了采用时间序列方法对其建立AR模型，利用AR模型特征参数建立径向基函数神经网络，并用该网络对滚动轴承的故障信号进行了诊断。理论和试验证明了该方法的有效性，且具有较高的诊断精度。     

基于神经网络的测量模型的建立及检验

针对间接测量数学模型难于建立的问题,提出了基于径向基函数神经网络的非参数测量模型的建立方法.利用对训练样本的聚类结果来确定基函数的中心,使得神经网络在较少的训练样本条件下仍可获得较高的建模精度.应用实例验证了本方法的有效性.     

基于径向基函数神经网络的超分辨率图像重建

为了突破成像极限,经济可行地获取高质量的卫星图像,提出了一种基于径向基神经网络的超分辨率图像重建算法。以径向基神经网络为基础,依据卫星图像退化模型获取网络训练所需的学习样本图像,采用向量映射的方式加速网络收敛。其中,径向基函数的中心、宽度及网络的隐含层数、连接权值是决定径向基神经网络的关键参数,直接关系到网络的重建性能。采用最近邻聚类算法,动态地建立起基函数的中心及宽度,自适应地确定网络的隐含层数及连接权值。建立起的径向基函数神经网络显著地提高了图像重建性能和网络收敛速度(221s即可收敛)。仿真实验和泛化实验表明,训练好的径向基神经网络可以有效地进行卫星图像的超分辨率重建,效率高,误差小。     

多关节机械臂的分数阶滑模变结构神经网络自适应控制

在分数阶滑模控制方法的基础,设计了新型的滑模函数趋近律,提升了多关节机械臂轨迹跟踪控制系统的鲁棒性和响应速度.机械臂在建模过程中存在多种建模误差,工作过程中存在外界干扰等不确定因素,因此采用神经网络对各种不确定项进行逼近,对径向基函数神经网络自适应控制中存在的误差,提出了神经网络误差的自适应补偿项,减小了径向基函数神经网络对不确定项的逼近误差.结果表明,该控制算法有效地提高了轨迹的跟踪速度和跟踪精度,并降低了系统中存在的抖颤.     

神经网络扩张观测器估计活塞运动和检测未知动态

气液联合驱动的液压锤活塞密封于液压油缸内,用于转换液压能为冲击能,难以用传感器直接测量其运动状态(位移、速度)和未建模动态(包括摩擦阻力等各种阻力,为非线性项)。为此,建立活塞的动力学模型,分解动力学模型为线性部分和非线性部分,利用观测器理论结合神经网络的方法,设计径向基函数神经网络扩张的观测器,神经网络位于观测器的反馈通道用来逼近未知动态模型,把物理参数测量问题转化为活塞运动状态的估计和未知动态建模。推导并简化神经网络权重训练自适应算法,在线调整神经网络权重。构造Lyapunov函数,分析了神经网络扩张观测器误差的有界性和动态收敛特征。观测器应用于Van der Pol混沌振子系统的状态估计,仿真结果验证了自适应神经网络扩张观测器算法的有效性。在气液驱动液压锤活塞冲击能测量中的应用表明:神经网络扩张观测器能够有效地估计活塞位置与速度,从而实现了液压锤冲击能量的测量和未知动态检测。     

提高动态流量软测量实时性的RBF中心优化算法

针对液压伺服系统动态流量软测量模型中神经网络训练精度和训练速度难以同时提升的问题,引入减聚类(SCM)算法将原训练样本集映射成初始径向基函数(RBF)中心集,并确定基函数宽度;利用敏感性分析算法(SenV)对基函数的中心进行优化,从而减少神经网络隐层节点数目;在根本上为同时提升神经网络训练精度和训练速度提供保障.实验表明,神经网络的隐层节点数可降低至少30%.     

基于DPCA-RBF网络的工业流化床乙烯气相聚合过程的软测量研究

工业流化床乙烯气相聚合反应是一个复杂的生产过程,具有高维、非线性、动态性和强噪声特点,质量变量难以直接测量。为解决关键质量变量在线软测量问题,首先采用动态主元分析(DPCA)的方法对过程变量提取主元,消除了过程变量之间的相关性、噪声并体现了建模数据的动态特性;其次对提取出的主元变量采用径向基函数网络(RBF)建模的方法,建立主元变量和质量变量之间的网络结构。对纯函数数据以及工业现场数据分别进行PCA-RBF模型及DPCA-RBF模型的仿真研究,研究结果表明,当建模数据存在非线性、动态性、噪声以及相关性等特性时,DPCA-RBF建模方法比PCA-RBF及单纯的RBF建模方法更优越。因此,DPCA-RBF建模方法较适合运用在工业实时变量的软测量中。     

基于PSO-SVM的关键生物参数软测量方法研究

微生物发酵过程中一些关键生物参数难以实时在线测量,严重影响发酵的优化控制。为解决关键生物参数的测量难题,采用了一种基于PSO-SVM的软测量方法。该方法利用粒子群优化(PSO)算法优化选择支持向量机(SVM)的最佳参数,并建立了基于PSO-SVM的软测量模型。利用赖氨酸发酵的数据对模型进行仿真验证,结果表明该模型具有很好的学习精度和泛化能力。另外在建模耗时上,PSO-SVM算法所用时间远少于标准SVM算法所用时间。     

基于Linux-Qt的嵌入式农田水势软仪表GUI设计

农田水势(FWP)是SPAC中土壤水势、作物水势和大气水势的统称,由作物微环境信息估算FWP值被称为农田水势软测量技术。按照FWP软测量的实际要求,提出了一种基于Linux-Qt的农田水势软仪表GUI设计方案,采用C语言开发了二级操作界面调用的作物微环境数据查询以及RBF神经网络软测量模型训练、校正以及农田水势实时估计等软测量核心模块,并利用实验样本数据进行了运行检验。     

基于径向基函数神经网络和NLJ优化算法的精馏塔控制

精馏塔是一个非常重要的操作单元,具有较强的非线性和时变性,很难进行基于机理建模分析的实时优化控制.通过对精馏塔的相关过程变量进行主元分析确定了5～6个关键变量作为神经网络的输入,建立了精馏塔多个质量指标的RBF神经网络的软仪表模型,实现了这些质量指标的在线估计.选取其中部分软仪表模型作为优化控制系统中的约束条件函数模型和目标函数模型,采用NLJ优化算法(变收缩系数的随机搜索算法)获取最优的决策变量设定值,从而得到了满足生产质量要求的精馏塔产品的最大采出,实现了精馏塔的卡边优化控制.     

基于结构自适应径向基神经网络的油样光谱数据建模

基于光谱分析数据的机械磨损状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测，与传统预测模型相比具有明显的优势，将神经网络预测方法运用于光谱分析，提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了在函数逼近、分类能力和学习速度均优于BP网络的径向基函数（RBF）神经网络模型，针对RBF网络的结构对于信号预测或模型辨识的精度具有影响很大的问题，提出了结构自适应RBF网络预测模型。利用遗传算法，对神经网络输入节点数、径向基函数分布系数及网络训练误差进行了优化，得到了最优的RBF网络预测模型。最后，对某航空发动机实际的光谱分析数据进行了预测和分析，并与ARMA模型进行了比较，结果充分表明了文中方法的有效性和优越性。     

基于RBF神经网络的数字闭环光纤陀螺温度误差补偿

为了消除数字闭环光纤陀螺温度误差,设计了基于径向基函数（RBF）神经网络的温度误差补偿方案,对该方案所采用的标度因数误差模型和偏置误差模型进行了研究。首先,根据光纤陀螺的温度误差分布情况设计了标度因数误差和偏置误差联合补偿的方案。接着,将基于多尺度分析的噪声和趋势项分离算法应用于建模数据预处理,以提高建模数据准确性。然后,建立了RBF神经网络模型,并改进模型的学习方法以防止网络的过拟合。最后,讨论了模型输入向量对神经网络规模的影响。温度补偿的结果表明：标度因数误差模型的残差均方（RMS）达到0.73 ,偏置误差模型的RMS达到0.051 。该建模方法可以满足中、高精度光纤陀螺实时温度补偿的要求。     

基于聚类动态LS-SVM的L-赖氨酸发酵过程软测量方法

针对生化反应过程中软测量模型存在的模型失效问题,提出了一种基于模糊C均值聚类(FCM)和动态LS-SVM的混合建模方法.首先,采用FCM算法将训练集分成具有不同聚类中心的子集,然后对每一类分别采用LS-SVM进行训练并建立子模型.对于带有新信息的样本数据首先计算其对每一类的模糊隶属度函数,然后用隶属度最大的一类所对应的子模型进行动态学习,并更新子模型.将所提出的软测量建模方法用于对L-赖氨酸发酵过程关键生物量参数的预测,实验结果表明所提出的建模方法可以有效地增强软测量模型适应工况变化的能力,提高其预测精度.     

引黄灌渠斗口流量软测量技术

引黄灌渠斗口水流量通常依据闸门开度、闸前和闸后水位等可观测信息估算。自动测量装置具有“软仪表”的典型特征,建立精确适用的软测量模型十分关键。鉴于训练后的人工神经网络可以精确逼近任意非线性函数,建立了基于BP网络和RBF网络的引黄灌渠斗口流量软测量模型,并精选水工试验数据构成训练样本集进行仿真训练。检验表明,基于人工神经网络的软测量模型输出值与期望值(标准三角量水堰的测量结果)吻合良好,斗口水流量软测量精度有显著改善。     

基于和声搜索优化多T-S模糊神经网络的聚合釜过程软测量建模

根据多个模型相加可以提高整体预测精度和鲁棒性的思想,提出一种基于模糊C均值聚类算法的多T-S模糊神经网络模型对聚氯乙烯(polyvinylchlorid,PVC)聚合生产过程中的氯乙烯(vinyl chloride monomer,VCM)转化率和转化速率进行预测。首先采用主元分析来对软测量模型的辅助变量进行选择以降低模型维数,并提出和声搜索和最小二乘法相结合的混合优化算法来优化T-S模糊神经网络子模型的结构参数。仿真结果表明该模型能够显著提高PVC聚合过程中经济技术指标预测的精度和鲁棒性,可以满足聚合釜生产过程的实时控制要求。     

运用DE-RBFNN的直线伺服系统定位精度研究

提出一种基于差分进化算法(DE)的径向基函数神经网络(RBFNN)模型,用于预测直线伺服系统的定位误差.该模型用差分进化算法训练径向基函数(RBF)网络隐层中心位置、宽度和输出层连接权重.为了评价优化后RBF网络预测的精度,运用部分误差样本进行训练和仿真.构建了以数字信号处理器(DSP)为核心的直线电动机定位误差实验平台,根据误差校正值进行误差实时补偿实验.仿真和实验结果表明:经过DE算法训练的神经网络模型对工作台的误差具有良好的学习能力和泛化能力,与单纯RBF网络、基于遗传优化的RBF神经网络相比,该建模方法具有更高的定位精度.