装载机载重测量的支持向量机软测量建模方法

在阐述支持向量机(SVM)和最小二乘支持向量机(LS-SVM)的原理和算法并对两者的特点进行比较后,为装载机载重测量建立了基于LS-SVM的软测量模型,并从核函数选择以及核参数确定两方面阐述了LS-SVM软测量建模的过程,最后与RBF函数网络以及BP网络的软测量建模结果进行对比.仿真分析结果表明,LS-SVM同时兼顾了精度和泛化能力两方面的性能,其最大泛化误差仅为6.863 8×10-6,是适合装载机载重软测量的建模方法.     

基于神经网络的立式罐壁温的软测量

针对立式罐由于设备本身限制，罐壁温度很难直接测得，本文提出了基于人工神经网络的软测量方式。并构造了立式罐壁温软测量的神经网络结构，运用实际测得数据对RBF网络进行训练和仿真，仿真结果证明了该方法的有效性。     

高速电主轴负载扭矩软测量技术研究

在分析高速电主轴功率与负载转矩关系的基础上,提出了一种负载扭矩软测量的方法.采用电主轴定子电压、定子电流、空载电流和主轴转速作为辅助变量,建立了基于BP神经网络的负载扭矩软测量模型.以航空发动机离合器轴承试验台扭矩检测为例,对软测量模型进行了仿真研究.仿真结果表明,该方法能够满足一定精度要求,为解决高速电主轴拖动系统扭矩传感器昂贵和不易安装等问题,提供了一种解决方法.     

双酚A催化剂活性的软测量应用

双酚A主要采用阳离子交换树脂作为催化剂,在分析双酚A的催化剂失活机理的前提下,建立催化剂失活的数学方程式,用于描述出催化剂活性趋势曲线。分别运用BP神经网络模型和RBF神经网络模型估计出催化剂活性的趋势曲线与实际活性数值之间的差值,并将得出的网络模型的输出与方程式计算得到的催化剂活性趋势数值进行叠加,实现催化剂失活模型的在线软测量估计。     

基于GA-BP神经网络大气中PM2.5软测量研究

大气中PM2.5质量浓度变化具有较强的非线性特性,传统的软测量方法很难对其做出准确的计量监测。针对传统BP神经网络易陷入局部最小值的缺陷,将遗传算法和BP神经网络相结合建立了GA-BP神经网络软测量模型,将该模型应用到大气PM2.5质量浓度的计量监测中,并与传统BP神经网络模型的监测结果进行对比,结果表明经过遗传算法优化后的模型具有更好的非线性拟合能力和更高的监测精度。     

基于主元分析和RBF神经网络的火灾模拟实验炉温软测量

软测量也称为软仪表技术,采用主元分析和RBF神经网络相结合的融合模型构成火灾模拟实验炉温软测量。主元分析（PCA）实现输入变量的降维,RBF神经网络采用K－均值聚类算法进行隐层中心和连接权调节的学习,实现快速收敛。该融合模型使炉温估计精度比常规的最小二乘方法拟合精度提高２倍以上。     

基于RBF神经网络的诺西肽发酵过程菌体质量浓度软测量

针对诺西肽发酵过程中菌体质量浓度的估计问题,提出了一种基于RBF神经网络的软测量建模方法.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;根据每批样本数据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值,并进而实施加权RBF神经网络建模.实际应用表明,所提出的软测量建模方法是有效的.     

关于颜色空间转换的RBF网络动态子空间自动划分辨识方法研究

以RGB与CIEL*a*b*颜色空间转换为例,采用径向基函数(RBF)神经网络,研究了颜色值在不同颜色空间之间的转换。利用基本采样数据集建立了颜色空间转换RBF网络模型,并通过增加样本数据,采用动态规划颜色子空间的方法,提高了模型转换精度。研究结果显示,该方法的转换速度和精度都优于基于动态子空间自动划分的BP神经网络颜色空间转换方法。     

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.     

基于模糊规划分类的分布式RBF网络软测量模型

本文提出了一种利用基于模糊规划分类的分布式RBF网络来建立软测量模型的方法。该方法不但使样本数据的分类更加合理，而且在确定输入数据相对于各子网的隶属度时，计算量大大降低，从而提高了网络的估计速度。     

软测量思想与软测量技术

在剖析软测量基本思想以及实例的基础上，对基于软测量基本思想形成的传统意义软测量以及扩展软测量两种技术及应用进行了分析与对比，并预测了可能出现的其它形式扩展软测量。结果表明，两种技术基本思想相同，也具有许多相似的模型建立方法，但传统意义软测量反映的是对象的输出与输入、部分可测的输出之间的关系，而扩展软测量是以对象的输入、输出为软测量模型的输入、输出，且能预测还有一种以对象的待测输人为软测量模型的输出、以对象的输出及部分可测的输人为软测量模型输入的扩展软测量形式。     

On the optimal design of radial basis function neural networks for the analysis of nonlinear stochastic systems

In this paper, an iterative selection strategy of Gaussian neurons for radial basis function neural networks (RBFNN) is proposed when the RBFNN method is applied to obtain the steady-state solution of the Fokker–Planck–Kolmogorov (FPK) equation. A performance index is introduced to rank neurons. Top rank neurons are selected, leading to a RBFNN with optimal number and locations of Gaussian neurons for the FPK equation under consideration. The statistical properties of the performance index are studied. It is found that the index assigned to the $j$th neuron is proportional to the probability of the system falling into the small neighborhood of the mean of this neuron as well as proportional to the weight of the neuron. The RBFNN method with the optimally selected neurons is then applied to several challenging examples of nonlinear stochastic systems in 2, 3 and 4 dimensional state space. The RBFNN solutions are also compared with the results of extensive Monte Carlo simulations. It is observed that the RBFNN method with optimally selected neurons by the proposed iterative algorithm is much more efficient than the RBFNN method with uniformly distributed neurons, and is very accurate in terms of the root mean squared (RMS) errors of the FPK equation or the RMS errors of the PDF solution compared with simulation results.     

基于Kalman算法的软测量技术在电池容量检测中的应用

针对如何在线准确检测实际工作中发射车车载电池容量,提出了一种基于Kalman算法的软测量方法。首先,建立蓄电池数学模型,选择可测、易测的辅助变量,利用Kalman算法建立软测量模型;然后,使用试验数据,通过参数辨识求解软测量模型;最后,利用Matlab软件对该模型进行仿真以及现场试验。结果表明:采用Kalman算法的软测量技术减少了电池应用过程中的电流累积误差,提高了电池容量的检测精度。     

电液伺服系统的神经网络建模方法研究

针对电液伺服系统固有的流量-压力特性等非线性因素使得采用传递函数等传统方法难以获得电液伺服系统的精确模型的问题,详细研究了电液伺服系统的神经网络建模方法.研究了两种最常见的神经网络,即多层感知器神经网络和径向基函数神经网络,采用5种典型学习算法构造了3种多层感知器神经网络和2种径向基函数神经网络,并结合自动定深电液伺服系统的工程实例,详细分析了这5种神经网络在电液伺服系统中的建模性能.研究结果表明,采用正交最小二乘算法的径向基函数神经网络最适合电液伺服系统的建模.     

基于神经网络的塑料打包带高光谱模式识别

目的 建立一种快速、准确、无损的塑料打包带的检验及分类方法。方法 利用高光谱在波长为350～990 nm的条件下采集52个不同来源的塑料打包带样品的高光谱数据,并对样品进行Savitzky-Golay平滑处理,同时结合主成分分析对样品进行降维。将提取到的主成分进行K-Means聚类,以聚类结果为依据建立径向基函数神经网络（RBFNN）与BP神经网络模型（BPNN）。结果 打包带样品的高光谱谱图在400～500 nm、600～700 nm处有较大区别。实验共提取了5个初始特征值大于1的主成分,可以解释96.633%的原始数据。通过K-means聚类将塑料打包带样品分为6类,Calinski-Harabasz指数为28.76,RBFNN分类准确率为86.7%;BPNN分类准确率为98.1%,BPNN的分类效果更好。结论 研究表明神经网络在高光谱谱图分类处理上具有较高的准确度,同时也验证了高光谱在区分检验塑料打包带类物证的可行性与科学性,为公安机关提供了一种新的检验方法。     

基于BP神经网络的盲均衡器设计

为构建用于某语音信号传输系统盲均衡器的BP神经网络模型,编写了基于BP神经网络的盲均衡算法伪代码,计算了算法的时间复杂度,分析了BP神经网络输入层神经元个数、隐含层神经元个数和隐含层层数对盲均衡算法性能的影响,评估了基于Sigmoid的变步长算法、基于误差补偿的变步长算法和基于误差的变步长算法对基于BP神经网络的盲均衡器性能的改进效率,据此设计了一种含双隐层结构的BP神经网络盲均衡器,并对其性能进行了数值仿真分析,明确了其适用范围,为该语音信号传输系统设计提供了技术支撑。     

Development and analyses of data-driven models for predicting the bed depth profile of solids flowing in a rotary kiln

Soft computing data-driven modeling (DDM) techniques have attracted the attention of many researchers across the globe as they do not require deep knowledge of the complex physical process. In the present research, data-driven based models have been developed using support vector regression (SVR), multilayer perceptron neural network (MLP), radial basis function neural network (RBFNN) and general regression neural networks (GRNN) techniques for predicting the bed depth profile of solids flowing in a rotary kiln. The performances of the developed models were compared and evaluated against the experimental results in terms of statistical measures such as coefficient of determination (R²), and average absolute relative error (AARE). The obtained results and findings from this research have revealed that data-driven models can predict the bed depth profile of solids flowing in a rotary kiln quite accurately. The SVR-based model exhibited the lowest AARE value of 1.72% and highest R² value of 0.9981 while GRNN, RBFNN, and MLP models gave corresponding values of AARE as 3.69%, 55.13%, 98.15% and those of R² as 0.9898, 0.0052 and 0.0081, respectively. Moreover, the developed DDM-based models i.e. GRNN, RBFNN, and MLP models overcame the limitations of the existing solutions which involved iterative numerical procedure entailing high degree of computational complexity.     

Modeling and optimization of spring-back in bending process using multiple regression analysis and neural computation

The current work involves both modeling and optimization approaches to achieve minimum spring-back in V-die bending process of heat treated CK67 sheets. Number of 36 experimental tests have been conducted with various levels of sheet orientation, punch tip radius and sheet thickness. Firstly, various predictive models based on statistical analysis, back-propagation neural network (BPNN), counter propagation neural network (CPNN) and radial basis function network (RBFNN) have been developed using experimental observations. Then the accuracy of the developed models has been compared based on values of mean absolute error (MAE), and root mean square error (RMSE). Secondly, the model with lowest values of MAE, and RMSE has been applied as objective function for optimization of process using imperialist competitive algorithm (ICA). After selection of optimal bending parameters, a confirmation test has been conducted to prove the optimal solutions. Results indicated that the radial basis network fulfills precise prediction of process rather than the other developed models. Also, confirmation tests proved that both RBFNN and ICA could predict and optimize the process vigorously.     

白车身制造尺寸质量控制中的软测量方法

在白车身制造尺寸质量控制过程中,主要采用样架、三坐标测量机(CMM)、在线三坐标测量机(OCMM)进行检测。比较三者,样架和CMM测得的数据“点多量少”(测点很多,每个测点每天有1到2个数据),而OCMM测得的数据“点少量多”(测点相对较少,每个测点每天有200个左右数据)。采用软测量的方法,可使CMM测量数据和OCMM测量数据进行互补,达到精确评价车身制造质量的目的。