自然冷却与真空冷却对蛋糕货架期的影响

为考察冷却方法对蛋糕货架期的影响,进行了自然冷却与真空冷却蛋糕的实验研究.比较了经两种方法冷却后,在不同贮藏温度条件(4℃、15℃、25℃、37℃)下,微生物随贮藏时间的变化规律.发现微生物数量随贮藏时间的延长而增加,微生物生长速率随贮藏温度的升高而增大.根据不同贮藏温度条件下蛋糕中微生物随时间的变化,拟合得到微生物生长的动力学初级模型.并运用Arrhenius方程分别建立了蛋糕真空冷却后贮藏过程中菌落总数、霉菌数量与贮藏温度、时间之间动力学二级模型.结合动力学模型,推导出了真空冷却蛋糕的货架期预测模型.研究结果表明,所建立的蛋糕货架期预测模型其预测误差小于12％,可用于预测蛋糕的货架期.     

温度对自热食品理化指标影响及其货架期预测方法

目的以自热食品土豆牛肉菜肴包为研究对象,考察温度对其贮藏品质的影响,同时建立自热食品土豆牛肉菜肴包的货架期预测模型。方法利用加速货架期实验的方法,研究不同贮藏温度下(40,50,60℃)土豆牛肉菜肴包品质的变化,通过相关性分析选定货架期预测的代表性指标,基于理化指标变化运用化学动力学模型、Q10模型和BP神经网络模型建立自热食品的货架期预测模型,对其常温下货架期进行预测。结果在3种温度下,样品pH值基本呈现先下降再上升最后下降的趋势,且温度越高变化越剧烈;3种温度下,均有L*值先缓慢下降后急剧下降,a*值先是快速升高之后速率逐渐减慢,b*值则是相对较稳定的缓慢上升的趋势;脂质氧化和蛋白质水解的反应速率加快,致使丙二醛和挥发性盐基氮含量增加。相较于化学动力学模型和Q10模型,基于先验条件的BP神经网络模型最适用于该自热食品货架期预测,最终误差收敛于7.16×10^-5,用该模型预测25℃土豆牛肉菜肴包的货架期为430d。结论温度对土豆牛肉菜肴包各项品质指标均有显著影响,同时确立了货架期预测的最优模型为考虑先验条件的BP神经网络模型。     

径向基函数人工神经网络在白城市年降雨量预测中的应用

根据白城市1960年-2010年的年降雨量数据，应用自相关分析方法来确定降雨量预测模型的输入输出变量，然后应用径向基函数人工神经网络方法来识别前期降雨量和后期降雨量的关系，并对白城市未来的年降雨量进行预测。结果表明：模型精度较高，所建立的神经网络预测模型可以用来对白城市的年降雨量进行预测。预测结果将对农业管理和灾害防治起到重要的作用。     

径向基函数神经网络在地下水位预报中的应用

本文在介绍径向基函数神经网络原理的基础上,研究径向基函数神经网络模型在地下水位预报中的应用,以吉林西部地区为例,应用其1990-2012年的月平均地下水位数据,建立径向基函数神经网络模型。为进一步证明预报结果的准确性,把预报结果与自回归模型的预报结果进行比较。结果表明:径向基函数神经网络模型能很好地进行地下水位预报,同自回归模型相比,径向基函数神经网络模型预报的精度更高,预报结果更具有准确性。     

基于RBF网络和NIRS的绿茶水分含量分析模型

基于径向基函数(RBF)和反向传播(BP)神经网络分别建立了绿茶水分含量的近红外光谱分析模型.结果表明:RBF网络预测模型的相关系数r(p)=0.933,预测标准误RMSEP=0.528%;BP网络预测模型的相关系数r(p)=0.914,预测标准误RMSEP=0.598%.RBF网络模型优于BP网络模型.     

基于径向基函数神经网络的滚动轴承故障模式的识别

径向基函数（RBF）神经网络是一种3层前馈性神经网络，它具有较强的函数逼近能力和分类能力。鉴于径向基函数神经网络的优点，在对滚动轴承振动信号特征分析的基础上，提出了采用时序方法对其建立AR模型，利用AR模型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模式进行了识别。理论和试验证明了该方法的有效性，且具有较高的识别精度。     

多元数据不确定度评定的神经网络方法

针对辐照效应实验数据,研究了多维数据不确定度评定问题。将径向基函数神经网络与混合密度模型相结合,建立了基于径向基函数神经网络的混合密度神经网络,用于评定多维数据不确定度。给出了该神经网络的学习算法。将该神经网络应用于抗辐射效应实验数据分析,给出了实验数据的不确定度估计,并预测了实验数据包含的多维非线性关系。算例验证了方法的有效性。     

基于组合预测模型的铁路集装箱运量预测

为了克服单项预测模型的单一性和片面性等缺点,本文应用组合预测模型对铁路集装箱运量进行预测,以提高预测的准确性。通过对运量的历史数据分别采用多项式曲线模型和灰色预测模型建立单项预测模型,再利用径向基神经网络对两个单项预测模型的结果进行组合预测。研究结果表明,相比于两单项预测方法,组合预测方法所得运量的相对误差分别提高了3.19%和12.76%。最后,应用马尔科夫链模型对组合预测的结果进行分析和修正,增加预测结果的可靠性。     

机器人系统中操作环境动力学模型研究

研究了机器人操作环境的动力学模型,提出了一种基于径向基函数(RBF)神经网络的机器人系统中环境非线性动力学模型新的建立方法,阐述了其建模机理和算法.结果表明,采用RBF神经网络对机器人系统中的操作环境建模比用BP神经网络有更高的精度,其网络训练速度也大大快于BP神经网络.     

基于RBF神经网络算法的连拱隧道围岩变形预测方法研究

利用径向基函数前馈式神经网络的特性,构建了连拱隧洞围岩变形的预测模型,并利用Matlab工具对模型进行求解。最后的工程实例对文章的方法进行了检验,其结果表明,此方法具有求解速度快,结果更为优化：预测效果更好等优点。     

鲜湿面货架期影响因素和保鲜技术研究进展

目的 介绍影响鲜湿面货架期的影响因素及其贮藏保鲜技术的研究进展,为鲜湿面在食品工业上的应用提供一定的思路和依据.方法 概述影响鲜湿面货架期的因素,总结鲜湿面贮藏保鲜技术的国内外现状,以及物理保鲜技术、化学保鲜技术、包装技术及其复合保鲜技术对鲜湿面品质的影响和货架期的比较,并对鲜湿面保鲜技术进行展望.结果 复合保鲜技术对鲜湿面品质和货架期的改善优于单一保鲜技术.结论 复合保鲜技术具有协同促进作用,延长了食品货架期,具有更广阔的研究前景.     

RBF神经网络在爆破振动强度预测中的应用

在介绍RBF神经网络基本思想的基础上,建立了爆破振动预测模型,用RBF神经网络方法对质点振幅、主振频率及振动持续时间进行预测。用阳泉煤矿主井爆破开挖工程中所监测到的振动数据对模型进行了训练,并对27组数据进行了预测,实测结果和模型预测结果的对比表明,RBF神经网络预测模型能反映影响因素与特征量之间的非线性关系,适用于爆破振动特征参量预测。     

基于RBF神经网络的色空间转换模型

研究了RBF神经网络的结构及算法,应用RBF神经网络建立了打印机的色空间转换模型.根据实验数据,对网络结构进行了优化,通过比较不同参数时网络的性能,确定最优网络参数.最后对所建模型进行了仿真验证,验证结果表明,预测数据与实测数据的色差较小,说明该模型具有实用价值.     

RBF神经网络在显示器色空间转换中的应用

目的研究RBF神经网络对显示器色彩空间转换预测准确性的方法。方法通过编程借助Measure Tool软件自动测量获取建模和测试数据,通过反复测试选择建模合适的函数和参数,最后用RBF神经网络模型进行仿真实验,以获取较好的RGB转换到Lab色空间的转换模型。结果 RBF神经网络模型测试得到的色块平均色差达到0.75,最大色差达到19.7。结论该方法建模简单方便,网络训练速度快,转换精度高,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于RBF神经网络的商场建筑空调能耗预测

商场建筑夏季空调能耗占总能耗的50％以上,鉴于空调能耗较高,对空调能耗进行预测有利于提升运行经济性.针对商场建筑空调系统非线性、多变量等问题,提出一种基于RBF神经网络空调系统能耗预测模型.该方法将日最高温度、日最低温度、日平均温度、日最高湿度、日最低湿度、日平均风速和空调能耗作为RBF神经网络的输入,建立空调系统能耗...     

鲜牛奶品质参数的动力学特性研究及货架期预测

目的 为了研究鲜牛奶的品质参数变化规律,建立鲜牛奶的货架期模型。方法 对鲜牛奶的脂肪、蛋白质、pH值和酸度在不同贮藏时间和温度内的变化进行分析,通过食品化学反应动力学方程和阿伦尼乌斯方程对鲜牛奶品质参数进行动力学特性研究。结果 鲜牛奶中脂肪、蛋白质、pH值在贮藏期内呈下降趋势,酸度呈上升趋势。4 ℃能减缓鲜牛奶pH值的下降和酸度的上升。结论 酸度能很好地表达鲜牛奶品质的变化过程,并且通过化学反应动力学特性研究得到了鲜牛奶酸度的活化能和基于酸度的鲜牛奶的货架期模型。     

基于BP和RBF神经网络对静电纺丝工艺参数的优化研究

针对静电纺丝在制备过程中易受到如聚合物含量、电压、推进速度和接收距离等工艺参数影响的问题,提出一种静电纺丝工艺参数的优化方法,以提升纳米纤维制备效率。以聚乳酸纳米纤维膜为研究对象,采用纤维直径为性能评价指标,设计实验获得训练和测试样本,借助BP(Back Propagation)和RBF(Radial Basis Function)神经网络构建不同工艺参数下的预测模型。结果表明：BP和RBF神经网络模型均能较好的对纤维直径进行预测,但RBF神经网络模型预测精度更高,其平均绝对误差(MAE)为12.125 nm,相对误差不超过7%。RBF神经网络建立的预测模型具有更高的稳定性,模型泛化能力更好,综合预测性能更加优越。所建立的模型可以帮助研究人员制备具有确定纤维直径的静电纺丝纳米纤维膜,实现对工艺参数的优化。     

Corrosion in Wet Gas Piping: Root Cause,Mitigation, and Neural Network Prediction Modeling

This paper discusses the root causes and operational mitigations of corrosion anomalies reported for an FPSO wet gas system, and crucially, proposes a neural network (NN) prediction model. The NN model involves ‘back-propagation’ processing of each nodal root cause and mitigation to obtain a value which when combined with a processing weight and then summed, provides an output value. This value is then used to further adjust the weights. Each weight correlates with the magnitude of influence on the overall corrosion rate. The ability to train the model (i.e., weight-adjustment during processing) makes it responsive and adaptable, such that when fresh data inputs are made in a ‘forward-propagation’ mode, into the large modeling database that has been developed (which includes a large number of susceptibility factors), significant increases in the accuracy of predicting corrosion rate and integrity behavior of the wet gas system can be achieved. The identified root causes and mitigations will be useful in further understanding the internal degradation mechanisms operating in wet gas systems in general.     

福州鱼丸常温包装条件下货架期模型构建

针对常温储藏工艺包装的鱼丸,研究其货架期模型,以便于电商在销售鱼丸时能够较准确地掌握其保质期。以鱼丸的TVB-N值为依据,建立基于反应动力学的一级反应动力学货架期模型和直接借助统计学计算工具(1st Opt和MATLAB)建立二元非线性货架期模型,并利用鱼丸的菌落总数检验两种货架期模型的准确性。研究结果表明,一级反应动力学货架期模型需要通过大量数据与公式的转换后计算得到,过程较复杂,但能够较好解释温度与货架期之间的关系;二元非线性货架期模型借助统计学工具,建模简单、计算容易,但是尚不能解释温度与货架期的关系,且对货架期的计算需要使用MATLAB专业数学软件,不便于普通电商用户使用。两种货架期模型均具有一定精度,但一级反应动力学货架期模型更准确,故推荐普通电商用户使用一级反应动力学货架期模型。