一种改进型离散Hopfield学习算法

针对离散Hopfield 神经网络(DHNN) 的权值设计问题, 提出一种改进型学习算法, 并在DHNN动力学分析的基础上设计该学习算法. 利用矩阵分解的方法(MD) 得到正交矩阵, 并采用得到的正交矩阵直接计算DHNN的权值矩阵. 通过该学习算法得到的权值矩阵, 可以很好地存储训练样本的信息, 使测试样本收敛到稳定点. 该学习算法不需要进行分块计算, 减少了计算步骤和计算量, 降低了网络的迭代次数, 从而提高了网络运行速度. 最后, 将该学习算法应用于水质评价, 验证了其有效性和可行性.     

网络结构增长的极端学习机算法

针对极端学习机(extreme learning machine,ELM)结构设计问题,基于隐含层激活函数及其导函数提出一种前向神经网络结构增长算法.首先以Sigmoid函数为例给出了一类基函数的派生特性:导函数可以由其原函数表示.其次,利用这种派生特性提出了ELM结构设计方法,该方法自动生成双隐含层前向神经网络,其第1隐含层的结点随机逐一生成.第2隐含层的输出由第1隐含层新添结点的激活函数及其导函数确定,输出层权值由最小二乘法分析获得.最后给出了所提算法收敛性及稳定性的理论证明.对非线性系统辨识及双螺旋分类问题的仿真结果证明了所提算法的有效性.     

基于多目标粒子群算法的污水处理智能优化控制

为了满足污水处理过程出水水质排放达标的同时降低运行能耗,提出了一种基于多目标粒子群的污水处理多目标智能优化控制方法。首先,通过分析污水处理运行数据,建立了基于自适应回归核函数的污水处理能耗和出水水质模型;其次,设计出一种污水处理多目标优化方法,利用多目标粒子群优化算法同时对污水处理自适应能耗和出水水质模型进行优化,获得溶解氧和硝态氮浓度的优化设定值;最后,利用PID控制器对溶解氧和硝态氮浓度优化设定值进行跟踪控制,实现了污水处理过程的多目标优化控制。基于污水处理基准仿真平台BSM1的实验结果显示,该多目标优化控制方法不但能够保证出水水质达标,而且能有效降低污水处理过程的能耗。     

城市污水处理过程自适应滑模控制

针对城市污水处理过程时滞导致难以稳定控制的问题,提出一种自适应滑模控制方法 (Adaptive sliding mode control, ASMC).首先,分析推流时滞对城市污水处理生化反应过程的影响,建立时滞影响下的城市污水处理运行控制模型;其次,设计一种基于模糊神经网络的预估补偿模型,完成滞后变量的准确预测,实现控制模型中变量时刻的统一;最后,设计一种具有自适应开关增益系数的滑模控制器(Sliding mode control, SMC),实现溶解氧和硝态氮的稳定控制.将提出的自适应滑模控制方法应用于城市污水处理过程基准仿真平台,实验结果显示该方法能够实现城市污水处理运行过程稳定控制.     

基于属性分类建模的电子产品价值评估技术

为缓解传统电子产品价值评估方式高度依赖专业人员的干预,需要频繁更新评估算法,人工工作量过大的问题,提出基于属性分类建模的电子产品价值评估方法。通过将产品属性进行分类,分别建模产品属性与价值评估结果的映射关系,引入时间信息来增强预测结果的时效性,采用一种缓解数据驱动模型冷启动问题的方法,获得更加精准的价值评估结果。通过在真实的手机回收订单数据集上进行的实验,验证了该模型在减少人工干预的同时取得了较高的电子产品价值评估精度。     

基于遗传算法的污水处理模糊控制方法

模糊控制中的模糊推理规则和隶属函数的选取往往依据相关专家或技术人员的实际经验,对具有较强的非线性系统和未知动态环境条件下,其控制性能往往达不到很好的效果.使用遗传算法同时对隶属函数和模糊规则进行优化,从而使模糊推理规则和隶属函数的确定摆脱了人为经验的局限,提高了模糊控制的自适应能力.在此基础上设计出模糊控制器,并将其应用于污水处理溶解氧的控制中.实验结果表明,该控制器能够使溶解氧快速、准确地达到期望的要求.     

基于参数动态调整的多目标差分进化算法

针对多目标差分进化算法最优解难以获取的问题,提出一种基于参数动态调整的多目标差分进化(AMODE)算法.AMODE算法通过设计变异率和交叉率的自适应调整策略,实现进化过程中变异率和交叉率的动态调整,均衡多目标差分进化算法的局部搜索能力和全局探索能力,获得收敛性、多样性和均匀性较好的最优解.实验结果表明,基于参数动态调整的AMODE算法能够有效改善多目标差分进化算法的逼近能力(IGD)和均匀性(SP),具有较好的优化效果.     

RBF神经网络的结构动态优化设计

针对径向基函数(Radial basis function, RBF)神经网络的结构设计问题, 提出一种结构动态优化设计方法. 利用敏感度法(Sensitivity analysis, SA)分析隐含层神经元的输出加权值对神经网络输出的影响, 以此判断增加或删除RBF神经网络隐含层中的神经元, 解决了RBF神经网络结构过大或过小的问题, 并给出了神经网络结构动态变化过程中收敛性证明; 利用梯度下降的参数修正算法保证了最终RBF网络的精度, 实现了神经网络的结构和参数自校正. 通过对非线性函数的逼近与污水处理过程中关键参数的建模结果, 证明了该动态RBF具有良好的自适应能力和逼近能力, 尤其是在泛化能力、最终网络结构等方面较之最小资源神经网络(Minimal resource allocation networks, MRAN)与增长和修剪RBF 神经网络(Generalized growing and pruning radial basis function, GGAP-RBF) 有较大提高.     

基于混合变异策略的改进差分进化算法及函数优化

针对差分进化算法DE 传统变异策略不能有效平衡全局搜索和局部搜索,并且算 子固定,导致算法早收敛、搜索效率较低。基于DE 变异策略性能,提出一种混合变异策略, 力图平衡算法探索和开发能力,使得前期增强全局搜索,保持种群多样性; 后期偏重局部搜 索,尽快收敛到全局最优值。同时操作算子采用随机正态缩放因子F 和时变交叉概率因子CＲ, 进一步改善算法性能。几个典型Benchmarks 测试函数实验表明: 该改进型差分进化算法能有 效避免早收敛,较好地提高算法的全局收敛能力和搜索效率。     

基于LabVIEW的污水处理过程动态仿真研究

在国际公认的活性污泥1号模型(ASM1)数学方法建模基础上,引入了智能方法,利用增长型模糊神经网络算法建模与数学建模相结合对其进行改进处理,在数学方法建模方法的前提下,借助增长型模糊神经网络算法所具备的模糊和学习功能,对活性污泥处理过程进行建模,获得了能够反映二沉池出水水质的关键水质参数的简化模型.同时,利用LabVIEW软件平台对该改进模型进行验证,通过对污水关键水质参数COD、BOD5等进行仿真实验,证明了该模型系统的有效性.