基于改进PSO-RBFNN的海洋蛋白酶发酵过程软测量

针对海洋蛋白酶（marine protease,MP）发酵过程中某些关键参量难以在线检测,离线测量存在大滞后、易染菌的问题,提出了一种基于改进的粒子群-径向基神经网络（PSO-RBFNN）的MP发酵过程软测量建模方法。首先采用指数下降惯性权重（exponential decreasing inertia weight,EDIW）策略对粒子群算法进行改进,克服了固定惯性权重和自适应惯性权重的粒子群算法易于陷入局部极小,进化后期收敛速度慢以及全局搜索能力弱的缺点;然后,采用改进后的粒子群算法对径向基神经网络连接权值进行在线优化,确定RBFNN拓扑结构;最后,根据MP发酵过程的输入/输出向量构建RBFNN软测量模型。实验仿真结果表明,EDIW策略改进的PSO-RBFNN软测量模型训练时间缩短了40%左右,模型预测精度提高了3%以上。     

新型RBFNN算法在硝基苯类化合物毒性测定中的应用

采用粒子群优化算法(PSO,Particle Swarm Optimization)调整径向基神经网络(RBFNN,Radial Basis Function Neural Network)参数,有效地改进了传统的K-均值聚类算法易使网络受初始参数选取的影响而收敛于局部极小值的缺点,并将其应用于环境中硝基苯类化合物毒性...     

基于粒子群算法的软仪表技术

在软测量建模中,最常见的非机理建模方式就是利用神经网络进行建模,而近年来兴起的粒子群算法目前已应用于神经网络的训练。在对粒子群算法提出改进方案后,提出了基于改进的粒子群算法的前馈神经网络训练方案。然后再将神经网络应用到焦化装置分流塔柴油95％点软仪表模型参数估计中,得到了满意的结果,可以满足工业过程中的实际需要。     

基于加权RBF神经网络的诺西肽发酵过程菌体浓度软测量

结合诺西肽发酵过程的实际情况,提出了基于加权RBF神经网络(weighted RBF neural network, WRBFNN)的菌体浓度软测量建模方法。在诺西肽发酵过程非结构模型的基础上,根据隐函数存在定理确定出辅助变量,从而使其选择有严格的理论依据。针对菌体浓度变化范围大这一特点,将传统RBF神经网络(RBF neural network, RBFNN)的误差函数进行了改进;然后根据每批训练样本对被预测对象的预估能力,自适应地为各个批次的训练样本分配权重,进而实施WRBFNN建模。实验结果验证了所提方法的有效性。     

自适应粒子群优化算法在聚丙烯熔融指数预报上的应用

针对丙烯聚合生产控制中聚丙烯熔融指数在线测量的控制要求,以及过程变量间相关性高的特点,提出一种基于自适应粒子群优化算法和径向基函数神经网络的聚丙烯熔融指数预报新方法。该方法采用变参数的自适应粒子群优化算法提高优化算法的效率和收敛性,并且融合了主成分分析、统计建模以及智能优化方法,从而降低了预报模型的复杂度。提出了一种基于径向基函数神经网络的统计预报模型的参数优化和结构优化方法。使用该统计模型对工厂实际生产过程进行预报,并与国内外相关研究报道相比较,表明了本文所提出的预报方法的有效性和更高的准确性。     

基于改进粒子群算法的变压器故障诊断研究

针对基本粒子群算法存在收敛慢、易陷入局部极值的缺点,分析了粒子群算法中惯性权重和加速因子的作用,对其作了修改,并用改进后的粒子群算法训练神经网络,应用在变压器故障诊断上。仿真结果表明:改进后的粒子群算法迭代次数少,收敛速度比改进的BP算法快,可以对变压器的故障类型进行区分。     

基于PSO-SVM逆的赖氨酸发酵过程软测量

针对赖氨酸发酵过程非线性、大滞后、多变量动态耦合,关键生化参数难以实时在线测量等问题,提出一种改进的粒子群-支持向量机(PSO-SVM)逆发酵过程软测量建模方法。首先分析逆系统的存在性,并结合赖氨酸发酵过程,引入发酵特征信息和舍弃次要信息构造逆扩展模型;然后利用支持向量机离线辨识初始逆扩展模型,并根据系统输入与模型输出的偏差信号,采用粒子群算法对初始逆扩展模型进行在线校正;最后将校正后的逆扩展模型串联在原发酵过程之后构成复合伪线性系统,实现不直接可测关键生化参数的在线预测。以L-赖氨酸流加发酵过程为例,验证了所提算法能够对发酵过程关键生物量参数进行较准确的在线预测,较普通的SVM逆建模方法具有更高的预测精度。     

基于智能集成优化的合成塔入口氨含量软测量

文化算法主要由种群空间和信念空间构成,两个空间共同进化来模拟人类文化的进化过程。提出一种智能集成优化算法,将遗传算法、粒子群优化算法应用到文化算法框架中,并与神经网络相结合,构造一种智能集成网络模型,并将其应用到合成塔入口氨含量软测量建模。结合实际工艺,对所建软测量模型进行仿真研究。研究结果表明,该模型的性能优于传统BP神经网络模型、遗传神经网络模型和粒子群神经网络模型,具有较高的精度和良好的应用前景。     

混合粒子群算法求解单机批调度问题

设计了一种混合粒子群算法(Hybrid Particle Swarm Optimization,HPSO)以求解基于工件动态到达的最小化最大拖期时间单机批调度问题。该算法在标准粒子群算法的基础上引入了惯性权重正弦调整,以改善标准粒子群算法的收敛速度和全局收敛性,然后采用自适应变异全局极值算法增强粒子群优化算法跳出局部最优解的能力,防止算法陷入局部最优。应用改进的算法对实验设计问题进行求解,证明了改进算法的有效性。     

基于混合粒子群优化的异类多模型软测量方法研究与应用

基于异类组合预测模型可提高模型的预测精度及鲁棒性的思想,提出一种基于混合粒子群优化的异类多模型非线性组合软测量建模的新方法。即先分别用混合粒子群优化的径向基函数神经网络、最小二乘支持向量机及部分最小二乘算法对训练集训练得出子模型,然后将具有性能互补性的三个子模型的输出作为反向传播网络的输入得到最后结果。用混合粒子群优化的方法来选取径向基函数神经网络和最小二乘支持向量机的模型参数,该方法克服了常用的交叉验证法耗时与盲目性问题。三层反向传播网络具有无限逼近特性,使得整个组合预测模型具有更好的泛化能力和预报精度。将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的。     

基于差分进化粒子群混合优化算法的软测量建模

针对乙烯生产过程中,用传统方法难以直接完成对乙烯收率的在线测量的问题,提出了一种新型差分进化粒子群混合优化算法,建立了乙烯收率软测量建模。改进算法将优化过程分成两阶段,两分群分别采用粒子群算法和差分进化算法同时进行。迭代过程中引入进化速度因子进行算法局部收敛性判断,通过两个群体间的信息交流阻止算法陷入局部最优。对高维复杂函数寻优测试表明,算法的整体优化性能均强于基本粒子群算法和差分进化算法。应用结果表明,基于改进算法的软测量模型具有测量精度较高、泛化性能较好等优点。     

基于动态多核相关向量机的软测量建模研究

针对污水处理过程中存在的多变量耦合、强非线性以及参数时变等问题,提出基于多核学习相关向量机的软测量建模方法,并采用粒子群算法对多核权重以及核参数进行优化。同时,引入时间差分(time difference)方法改进多核相关向量机的动态特性。为了验证所提模型的有效性,通过一仿真案例与单核相关向量机、多层前馈神经网络和基于遗传算法的支持向量机进行对比研究。结果表明,所提模型具有更好的预测效果。最后,对模型的鲁棒性在数据漂移和异常的场景下进行了讨论。     

发酵过程生物量软测量技术的研究进展

生物量是发酵过程中的关键过程参数之一,它直接影响着发酵过程的优化和控制。综述了近年来发酵过程生物量软测量技术的研究现状,讨论了基于过程机理分析、回归分析、状态估计和神经网络等的软测量建模方法,对基于神经网络和改进的神经网络建模方法进行了分析。指出基于多尺度建立软测量混合模型,是实现发酵过程生物量在线测量的有效方法,并给出了建立混合模型需要解决的关键问题。     

改进粒子群算法在酶发酵过程优化控制中的应用

针对发酵过程的非线性、时变等特点,建立了基于BP神经网络的产物浓度预估模型,并在此模型的基础上,利用改进的粒子群算法(PSO)实现对L-天冬酰胺酶Ⅱ发酵过程控制参数的寻优,以确定该过程的优化轨线,通过在线调整实现对优化轨线的跟踪控制,实验应用结果表明效果良好.     

丁二酸发酵过程软测量模型的参数优化研究

针对生物转化法制备丁二酸发酵过程机理复杂、高度非线性、生物参数难以实时在线测量等特点,采用基于结构风险最小化的支持向量机对发酵过程建模.与神经网络方法相比,所建模型的预测效果更好.同时采用粒子群算法对支持向量机模型中     

基于PSO-FNN逆的青霉素发酵软测量方法

青霉素发酵过程是一个严重非线性、时变、复杂的动态过程,发酵过程中一些关键参数(如菌体质量浓度ρX、基质质量浓度ρS和产物质量浓度(ρP)难以通过常规仪表在线测量,这些参数的获取非常耗时和困难。提出一种基于粒子群模糊神经网络逆(PSO-FNN逆)的软测量方法。首先给出青霉素发酵过程数学模型,然后根据逆系统理论证明其可逆性,在此基础上构建基于PSO-FNN逆的青霉素发酵软测量模型,最后通过仿真验证该方法性能。仿真结果表明:PSO-FNN逆的青霉素发酵软测量方法能够结合基于发酵机制和纯数据驱动2种软测量方法的优点,对不直接可测的关键参数实现在线软测量,较PSO-BPNN逆和PSO-BPNN软测量方法具有更高的预测精度和更强的预测能力。     

PDPSO优化多阶段AR-PCA间歇过程监测方法

针对间歇过程固有的多阶段特性和动态性,提出基于种群多样性的自适应惯性权重粒子群算法(PDPSO)优化的多阶段自回归主元分析(AR-PCA)间歇过程监测方法。该方法引入了PDPSO算法指导AP聚类偏向参数的选取,避免了传统方法依据聚类评价指标选取参考度时的盲目性。对PDPSO优化AP聚类的多阶段发酵过程的数据样本建立AR-PCA模型能够消除各阶段的动态性及变量之间的自相关和互相关影响。最后,对自回归(AR)模型的残差矩阵建立主成分分析(PCA)模型用于发酵过程监测。将该方法应用到青霉素发酵过程,并与传统方法进行对比,结果表明,该方法能够有效进行间歇过程阶段划分并降低故障的漏报和误报。     

应用多神经网络建立动态软测量模型

引　言由于神经网络具有强大的逼近非线性函数的能力 ,因此用神经网络来建立软测量模型是目前被广泛采用的一种方法 .应用最多的是多层前向传播网络 (MFNN)和径向基函数网络 (RBF) .这些网络是静态网络 ,建模所需样本是与时间无关的离散数据 ,这样获得的模型称为软测量静态模型     

基于动态多核相关向量机的软测量建模研究

针对污水处理过程中存在的多变量耦合、强非线性以及参数时变等问题，提出基于多核学习相关向量机的软测量建模方法，并采用粒子群算法对多核权重以及核参数进行优化。同时，引入时间差分(time difference)方法改进多核相关向量机的动态特性。为了验证所提模型的有效性，通过一仿真案例与单核相关向量机、多层前馈神经网络和基于遗传算法的支持向量机进行对比研究。结果表明，所提模型具有更好的预测效果。最后，对模型的鲁棒性在数据漂移和异常的场景下进行了讨论。     

基于PSO-BP-PID神经网络的注塑机料筒温度预测算法研究

提出了一种基于粒子群优化(PSO)算法、BP神经网络及比例积分微分(PID)控制的复合算法的注塑机料筒温度预测模型,即PSO-BP-PID神经网络模型,并进行了仿真研究.结果表明:使用PSO算法确定该模型的输出权重,并且对混合核函数参数进行优化升级;在模型训练过程中,使用更大的容许度处理正误差,保证预测误差始终处于正值...