循环流化床入炉垃圾热值软测量

面对城市生活垃圾(MSW)的热值(HVs)难以实时测量的现状,构建基于减法聚类的自适应模糊神经网络(ANFIS)的入炉垃圾热值软测量模型.针对循环流化床(CFB)生活垃圾焚烧炉的工艺特点,选择模型的输入变量;依据专家经验对样本的热值进行模糊分类;利用减法聚类(SC)算法对训练样本进行分析,自适应地确定初始模糊规则和模糊神经网络的初始结构参数;结合最小二乘估计法和误差反向传播算法对模糊神经网络的参数进行学习,构建自适应神经模糊推理系统,完成CFB生活垃圾焚烧锅炉入炉垃圾热值的软测量建模.对比研究BP神经网络、RBF神经网络和支持向量机模型在垃圾热值预测方面的表现,结果表明:基于减法聚类的模糊神经网络模型具有最高的预测精度.预测值和实际垃圾热值的比较结果证明:模糊神经网络模型能够表征垃圾热值的整体变化趋势,可以对循环流化床垃圾焚烧锅炉的运行、控制和管理起到指导作用,并且能够为循环流化床生活垃圾焚烧锅炉的燃烧自动控制(ACC)系统提供可靠的热值反馈信号.     

基于经济发展水平的生活垃圾热值分析与预测

获得垃圾热值的方法有直接测定法和计算法两种.现有的计算方法在预测城市生活垃圾热值精度和适用性方面有待提高,迫切需要一种能够准确预测城市生活垃圾热值的计算方法.为此,以我国7个城市的16个生活垃圾为样品,进行基础物化性质分析.根据分析结果,采用现有的计算模型以及MATLAB计算软件等进行计算及修正,得出新的计算公式.验证发现,该公式能较好地估算我国现阶段各地区的垃圾热值,可以为全国各地计划新建的生活垃圾焚烧项目的工艺设计和运营管理提供理论数据和支撑.     

模糊聚类与径向基网络相结合的短期负荷预测

为了提高电力系统短期负荷预测的准确度,采用模糊聚类分析的方法对已知负荷数据、日类型、温度和天气类型等影响短期负荷预测的相关因素进行聚类分析,选用同类特征数据作为神经网络的输入,对径向基函数神经网络进行训练,得到一组预测值,从而实现电力系统短期负荷预测.实际算例表明模糊聚类分析与径向基函数神经网络相结合的短期负荷预测可以更好的满足实际预测要求,提高预测精度.     

Control System of Garbage Incinerator Based on Fuzzy BP Neural Network

根据固体垃圾焚烧技术原理,结合垃圾焚烧炉运行特点,分析了垃圾焚烧过程与影响焚烧的主要因素,提出了基本模糊BP神经网络算法的垃圾焚烧炉控制方法.建立了垃圾焚烧炉炉温双端输入模糊神经网络（DIFNN）控制模型,并使用模糊BP神经网络控制算法对系统进行控制.仿真实验表明,该模糊BP神经网络控制能够适应复杂多变的焚烧过程的控制要求,控制效果好.     

基于变量聚类的BP神经网络术后生存期预测模型

针对结直肠癌患者术后生存期预测,基于模糊C均值（FCM）聚类算法,提出一种结合场景认知和隶属度排序的变量聚类方法,对结直肠癌患者样本进行降维,并筛选出6个特征变量.结合BP神经网络,建立一个结直肠癌患者术后生存期预测模型.为了验证该模型的有效性,利用主成分分析（PCA）对样本进行降维,并训练BP神经网络,对比FCM模型及PCA模型的预测准确率.结果显示,基于FCM变量聚类的BP神经网络模型预测准确率更高,所提出的变量聚类方法能够有效筛选出对于生存期有相关性和解释性的变量,从而提高BP神经网络模型的预测准确率.     

时滞系统的模糊神经网络补偿控制

针对传统的模糊神经网络(FNN)在线控制方法用于控制时滞对象时存在调节时间较长的问题,分析产生这一现象的原因,对传统的模糊神经网络在线控制进行改进,给出一种新的确定补偿量的方法.基于递推最小二乘(RLS)法在线辨识对象模型,通过时滞对象模型预测对象输出的变化,利用补偿方法得到控制量的补偿量.设计二维输入的带补偿的模糊神经网络控制器,进行实验与仿真研究.仿真结果表明,该补偿方法调节时间短,控制精度高,比传统的模糊神经网络的控制效果明显.     

神经网络在股票价格预测中的应用

如何对股票价格进行预测是投资者所关注的话题，采用BP神经网络对股票价格进行预测，提出了将股票市场上所采用的技术指标作为神经网络输入变量，利用逐步回归方法筛选出影响股票价格涨跌的变量，从而建立起神经网络模型，研究结果表明，该方法具有一定的预测能力。     

FCCU分馏塔产品质量预测系统的设计

为了解决单纯采用正系统模型无法确保预估计值的准确性问题,以神经网络的内模控制预测系统为基础,对对象-正模型-逆系统进行逆变换,建立了输入可测而输出无法测量的预测系统,实现了FCCU分馏塔轻柴油凝固点、粗汽油干点实时在线测量.以实时采集的数据作为检测标准,结果表明,该模型可对生产提供在线的可靠指导,对稳定油品质量、避免质量事故的发生和提高经济效益具有重要的价值.     

基于神经网络延时预测的自适应网络控制系统

针对网络控制系统存在着随机、时变、不确定的信息传输延时,采用带有时间戳的线性神经网络(TSLNN)进行在线延时预测,实时地获得当前采样周期的网络传输延时预测值.该方法选取3个先验的网络实测延时值作为神经网络的输入样本,选用widrow-hoff学习规则作为神经网络的训练算法;应用网络传输延时预测值,并采用一阶Pade方法,对数学模型中的延时环节进行线性化处理,从而获得无刷直流电机调速网络控制系统的线性数学模型;最后,利用模型参考自适应控制方法(MRAC)设计闭环控制器.仿真结果表明,将基于TSLNN在线延时预测的MRAC方法应用于无刷直流电机调速网络控制系统中,可以获得令人满意的系统动、静态性能.     

故障预测中基于模糊神经网络的规则发现方法

为分析和发现故障预测中表征网络运行状态的多指标和故障间的关联关系,提出了一种基于模糊神经网络的规则发现方法. 该方法利用模糊神经网络具有的学习能力和模糊推理能力,分析和发现网管系统中多指标和故障的关联关系,实现基于多指标的在线故障预测. 仿真实验结果表明,有效的参数初始化确定了算法收敛方向,从而加速了收敛速度;新方法能够准确预测故障的发生,并且优化了预测准确度、真正率、误判率等性能指标.