基于PCA-GABP神经网络的BOD软测量方法

针对污水处理过程中关键水质参数无法在线监测的问题．提出基于PCA-GABP神经网络的污水水质软测量方法。该方法由两部分组成：主元分析PCA和GABP神经网络。其中，GABP算法采用局部改进遗传算法优化神经网络权值。并采用自适应学习速率动量梯度下降算法对神经网络进行训练，建立软测量模型。仿真结果表明该软测量模型稳定性好、精度高，可用于污水处理厂对BOD进行在线预测。     

用遗传算法与自适应神经网络混合方法解Job-shop调度问题

提出一种用遗传算法结合基于约束满足的自适应神经网络进行Ｊｏｂ—ｓｈｏｐ调度问题求解的混合方法。遗传算法被用来进行迭代寻优。当前代经交叉和变异后生成的染色体对应非可行解，由自适应神经网络运算后得到可行解，对应的染色体作为新一代染色体。仿真表明该算法是快速有效的     

用遗传算法与自适应神经网络混合方法解Job—shop调度问题

提出一种用遗传算法结合基于约束满足的自适应神经网络进行Ｊｏｂ－ｓｈｏｐ调度问题求解的混合方法。遗传算法被用来进行迭代寻优。当前代经交叉和变异后生成的染色体对应非可行解，由自适应神经网络运算后得到可行解，对应的染色体作为新一代染色体。仿真表明该算法是快速有效的。     

一种复合算法在短期负荷预测中的应用

为提高电力系统短期负荷预测精度,文中提出一种基于改进遗传算法优化的径向基函数神经网络短期电力负荷预测模型,该模型采用改进的选择策略、自适应交叉和变异概率防止出现早熟现象;将自适应交叉和变异操作的改进遗传算法与梯度下降法混合交互运算,作为径向基函数神经网络的学习算法,将上述模型和算法应用于某地区电网的短期负荷预测,取得良好的预测效果.     

基于遗传算法和小波神经网络的语音识别研究

小波神经网络算法(WNN)易陷入局部极小,收敛速度慢,全局搜索能力弱,而遗传算法(GA)具有高度并行、随机、自适应搜索性能和全局寻优的特点。因此,将遗传算法和小波神经网络结合起来形成一种训练神经网络的混合算法——GA-WNN算法。仿真实验结果表明,该算法有效地缩短了识别时间,提高了网络训练速度和语音的识别率。     

改进麻雀搜索算法的RBF神经网络水质预测

针对污水处理过程中化学需氧量(chemical oxygen demand, COD)难以在线测量的问题,提出了一种基于径向基函数(radial basis function, RBF)神经网络的软测量模型.首先,用污水处理厂实测数据挑选出与COD相关的过程变量作为输入变量;其次,基于RBF神经网络建立出水COD软测量模型,利用自适应遗传算法改进的麻雀搜索算法(adaptive genetic algorithm improved sparrow search algorithm, AGAISSA)优化RBF神经网络的中心值、宽度值以及权值,通过改进麻雀位置更新公式以及引入遗传算法中的自适应交叉和变异操作保证了软测量模型的精度;最后,将RBF神经网络的软测量模型应用于污水处理厂实测数据加以验证,结果表明:AGAISSA优化RBF神经网络模型能够对出水COD进行准确的预测,具有较高的预测精度.     

基于改进型PSO-BP神经网络的SVI软测量

针对曝气池污泥体积指数(SVI)难于在线测量的情况,提出了一种基于改进型的BP神经网络对SVI软测量的模型,该模型利用改进粒子群优化算法对BP神经网络进行权值调整。为了提高BP神经网络的学习性能,使粒子群的惯性权值按照对数规律变化,同时引入自适应变异算子对局部最优的粒子进行变异,然后利用粗糙集理论消除冗余信息,得到输入变量。该模型对实际污水厂的SVI值进行软测量预测,并与其它软测量模型进行比较,结果表明了该软测量模型具有较好的精度。     

基于BP神经网络的溶解氧浓度软测量方法研究

针对污水处理过程中曝气池溶解氧浓度无法精确在线测量的问题,本文采用BP神经网络建立了溶解氧浓度预测的软测量模型。将进水参数氨和铵根离子态的氮Snh、快速可生物降解有机物Ss、异养菌生物量Xbh、颗粒性不可生物降解有机物Xi、慢速可生物降解有机物Xs以及进水流量Q作为BP神经网络软测量模型的输入变量,采用遗传算法对BP神经网络的初始连接权值和阈值进行优化。对预测结果的准确性及遗传算法优化BP神经网络的泛化能力进行了分析,讨论了数据归一化对软测量模型预测结果的影响。仿真结果表明,采用遗传算法优化BP神经网络的权值和阈值以及对训练数据归一化处理,有效地解决了溶解氧浓度BP软测量模型精度差的问题,使溶解氧软测量模型的测量精度明显增强。     

改进的自适应遗传算法在人体行为识别中的应用

为提高传统自适应遗传算法优化的BP神经网络对人体行为的识别率,提出了一种改进的自适应遗传算法优化的BP神经网络预测方法。该算法使用新的动态变化的交叉和变异分布指数计算公式来优化传统的二进制交叉和多项式变异操作,根据种群集中和分散的剧烈程度自适应地增大或减小交叉和变异的概率,极大地弥补了传统的交叉和变异操作所造成的破坏优良个体的缺陷。通过搭建遗传算法优化的BP神经网络模型,对3000组不同人体行为的加速度数据进行测试,实验结果显示,经过改进后,算法的准确率从92.31%提升到了96.47%。     

模拟移动床过程的软测量建模仿真研究

模拟移动床色谱作为主要的现代吸附分离技术,近年来在石油化工、精细化工、生物制药、食品加工等领域的复杂混合物分离过程中得到越来越多的应用。模拟移动床系统是一种具有强非线性、强耦合、混杂性、分布参数等特征的复杂工程系统,其建模问题一直受到广泛关注。本文提出用神经网络与遗传算法结合的混合建模方法建立SMB色谱分离过程4区流量与组份纯度的软测量模型。为了解决RBF神经网络训练时隐含层节点数选取无依据,只能依靠反复仿真尝试的问题,提出将混合递阶遗传算法与RBF神经网络结合,建立SMB色谱分离过程软测量模型,以较高的精度实现了SMB组份纯度软测量,通过仿真验证了方法的可行性。     

改进粒子群优化Takagi-Sugeno模糊径向基函数神经网络的非线性系统建模

针对复杂非线性系统建模的难点问题,提出了一种基于改进的粒子群优化算法（PSO)优化的T-S模糊径向基函数（RBF）神经网络的新型系统建模算法。该算法将T-S模糊模型良好的可解释性及RBF神经网络的自学习能力相结合,构成T-S模糊RBF神经网络用于系统建模,并采用动态调整惯性权重的改进的PSO算法结合递推最小二乘算法实现网络参数的优化调整。首先,利用所提算法进行了非线性多维函数的逼近仿真,仿真结果均方差（MSE）为0.00017,绝对值误差不大于0.04,逼近精度较高;又将该算法用于建立动态流量软测量模型,并进行了相关的实验研究,动态流量测量结果平均绝对误差小于0.15L/min,相对误差为1.97%,基本满足测量要求,并优于已有算法。上述仿真及实验研究结果表明,所提算法对于复杂非线性系统具有较高的建模精度和良好的自适应性。     

基于MEC优化BP神经网络的PSD非线性校正

光电位置敏感传感器(PSD),特别是其B区存在非线性误差大、测量精度低的问题.针对现有神经网络校正方法的不足,提出一种基于思维进化计算(MEC)算法优化的神经网络校正模型.该方法首先应用MEC算法搜索最优神经网络初始权值和阈值,再利用LM算法训练BP神经网络,最后将训练好的神经网络用于PSD非线性校正.仿真实验结果表明,所提出的方法校正精度高,收敛速度快,泛化能力强,测试数据的平均误差被控制在0.005 mm以下.经过校正后的PSD在非线性区表现出与线性区相似的线性程度,提高了PSD的测量精度.     

基于改进KH-ANFIS 的海洋溶菌酶发酵过程软测量

针对海洋溶菌酶（Marine Lysozyme,ML）发酵过程菌体浓度在线检测难以实现,离线测量不能反映发酵过程当前变化等问题,提出了一种基于改进磷虾群—自适应模糊神经网络软测量（HLKH-ANFIS）建模方法。首先利用自适应莱维飞行策略对传统KH进行改进,从而提升算法的全局搜索能力;同时利用跳变技术（HOT）对KH算法位置更新公式进行改进,提高算法的局部寻优能力,然后利用改进的KH算法对自适应模糊神经网络反馈进行优化,改善其过度修正和计算量大的问题;最后建立基于HLKH-ANFIS的海洋溶菌酶发酵过程菌体浓度软测量预测模型,仿真分析表明：相较于KH-ANFIS预测模型,HLKH-ANFIS模型的误差较小,具有更好的预测能力,能够满足ML发酵关键参量的在线预测需要。     

探空仪湿敏电容器的误差校正模型研究

为了减小探空仪湿敏电容器在高空大气,特别是低温环境下的测量误差,设计了一种基于改进型pi-sigma模糊神经网络的误差校正模型,采用了K-means聚类算法和权值直接确定法提高了网络性能。通过实际测试和BP神经网络进行比较,结果显示:pi-sigma模糊神经网络和BP神经网络对于-30～40℃的144组训练样本的最大相对误差分别为4.774%,15.27%,收敛时间分别为0.01,2 s。4组检验样本结果证明:pi-sigma模糊神经网络有效实现了湿敏电容器在低温条件下的温度补偿和非线性校正,同时在预测精度、泛化能力以及训练速度上均优于BP神经网络。     

Online identification using radial basis function neural network coupled with KPCA

In this paper, we are going to propose an online radial basis function (RBF) neural network algorithm without any preprocessing step. Then a kernel principal component analysis (KPCA) is coupled with the proposed online RBF neural network algorithm. Indeed, the KPCA method is used as a preprocessing step to reduce the feature dimension which fed to the RBF neural network. Reducing memory requirements of the models makes RBF neural network training efficient and fast. These two proposed algorithms are applied, with success, for identification of a mobile robot position. The simulation results present that the used sigmoid function as a kernel, compared to other kernel functions, which gives an excellent model and a minimum mean square error.     

基于改进卡尔曼滤波的陀螺仪误差补偿算法

针对基于卡尔曼滤波的MEMS陀螺仪误差补偿算法中量测噪声方差选取不准确的问题,提出一种基于改进卡尔曼滤波的陀螺仪误差补偿算法.卡尔曼滤波通常采用统计特性估计得到固定的量测噪声方差,无法自适应地估计不同环境下陀螺仪噪声特性.该算法将卡尔曼滤波与神经网络相融合,使用卡尔曼滤波新息矩阵作为神经网络输入,通过神经网络得到新息协方差矩阵,以此自适应地估计卡尔曼滤波量测噪声方差.将该算法应用到陀螺仪信号误差补偿中,使用Allan方差分析法对原始信号以及误差补偿后的陀螺仪信号进行分析,实验结果表明该算法能够有效地抑制陀螺仪随机误差,提高MEMS陀螺仪的精度.     

神经网络和改进粒子群算法在地震预测中的应用

提出了一种基于神经网络与改进粒子群算法的地震预测方法,该方法采用前向神经网络作为地震震级的预测模型,引入改进的粒子群算法对前向网络的连接权值进行修正。为了设计在全局搜索和局部搜索之间取得最佳平衡的惯性权重,基于粒子动态变异思想对粒子群优化算法进行改进,提出了一种动态变异粒子群优化算法,并将其应用于地震震级预测神经网络模型优化。在仿真实验中,将所提出的方法与另外两个采用不同算法的前向网络预测方法进行了比较。结果表明所提出的优化算法收敛速度最快,所得模型的预测误差最小,泛化能力最强,对地震的中期预测有很好的参考作用。     

基于时空融合的缺失值填补算法

为提升PM 2.5浓度预测精度,提出基于时空融合与缺失值填补的预测方法。抓住时空相关性,以历史气象和PM 2.5浓度数据作为输入,利用长短时记忆神经网络和人工神经网络从时空两个维度对未来一小时PM 2.5水平进行预测,用模型树进行融合。由于数据集中存在大量的连续缺失数据,为弥补其带来的不利影响,利用所提算法对预测模型进行辅助。实验结果表明,时空融合比单维度单模型的预测表现更佳,提出的填补算法使预测误差进一步降低。     

椭球定界算法在混合建模中的应用研究

并行结构混合建模主要由机理模型与误差补偿模型组成.一般地,误差补偿模型不宜过于复杂,且模型应具有校正功能,以免精度随时间不断下降.针对这个问题,本文选择单层神经网络作为误差补偿模型,并将椭球定界算法应用于单层神经网络的参数更新,不仅能够保证建模误差稳定有界,同时能够提高网络的收敛速度.将提出的方法应用于氧化铝生产过程,改进了原有的苛性碱和氧化铝组 分浓度软测量方法.实验研究结果表明,椭球定界算法的应用提高了模型的精度和网络的收敛速度.除此之外,在存在噪声干扰下,改进 的方法比原有方法更稳定,进一步证明了方法的有效性和优越性.     

溶解氧浓度的直接自适应动态神经网络控制方法

针对污水处理过程溶解氧浓度的控制问题,提出一种直接自适应动态神经网络控制方法(direct adaptive dynamic neural network control,DADNNC).构建的控制系统主要包括神经网络控制器和补偿控制器.神经网络控制器由自组织模糊神经网络实现系统状态与控制量之间的映射;提出一种基于规则无用率的结构修剪算法,并给出结构调整后网络收敛的理论证明.同时,为保证系统稳定,设计补偿控制器减小网络逼近误差,参数调整由Layapunov理论给出.国际基准仿真平台上的实验表明,与固定结构神经网络控制器、PID和模型预测控制等已有控制方法相比,DADNNC方法具有更高的控制精度和更强的适应能力.