基于递归模糊神经网络的污水处理控制方法

针对污水处理过程具有非线性、大时变等问题,提出了一种基于递归模糊神经网络的多变量控制方法。该方法通过递归模糊神经网络控制器自适应地获得对操作变量的控制精度,控制器在常规BP学习算法的基础上采用学习率自适应学习算法且引入了动量项来训练网络参数,避免网络陷入局部最优,提高了网络对系统的控制精度。最后,基于仿真基准模型(BSM1)平台对第五分区中的溶解氧和第二分区中的硝态氮控制进行动态仿真实验,结果表明,与PID、前馈神经网络和常规递归神经网络相比,该方法能有效提高系统的自适应控制精度。     

基于ESN的污水处理过程优化控制

针对污水处理过程能耗过高的问题,提出了一种基于状态回声网络(ESN)的在线优化控制方法。建立了污水处理过程预测模型,实现性能指标的预测;根据系统的状态以及预测的性能指标,采用ESN实时优化控制变量的设定值;将优化后的设定值传送给底层控制器进行跟踪控制。将ESN优化控制方法在污水处理过程基准仿真模型(BSM1)上进行了验证,实验结果表明,该方法不但能够满足出水水质的要求,而且降低了污水处理过程运行成本。     

基于区间二型模糊神经网络污水处理过程溶解氧浓度控制

针对城市污水处理过程溶解氧浓度难以精确控制的问题,提出了一种基于区间二型模糊神经网络（interval type-2 fuzzy neural networks,IT2FNN）的溶解氧浓度控制方法。先将IT2FNN应用在城市污水处理过程溶解氧浓度控制器的设计,获得了一种IT2FNN溶解氧浓度控制器。后采用自适应学习算法在线调整控制器的参数,提高了控制器的自适应能力。最后将提出的IT2FNN溶解氧浓度控制器应用于基准仿真2号模型（benchmark simulation model no.2,BSM2）平台,结果表明,IT2FNN控制器能够实现第5分区溶解氧浓度精确控制,具有较好的控制效果。     

基于MKECA的非高斯性和非线性共存的间歇过程监测

多向核独立成分分析（multiway kernel independent component analysis,MKICA）在监测间歇过程非高斯性和非线性方面取得了广泛应用,其仅仅是将线性独立成分分析（independent component analysis,ICA）方法利用核主成分分析（kernel principal component analysis,KPCA）白化扩展到非线性领域,但数据经KPCA白化后只考虑数据信息最大化未考虑数据簇结构信息的不足,为解决此问题,采用核熵成分分析（kernel entropy component analysis,KECA）代替KPCA白化的过程监测方法。该方法首先利用AT展开方法将过程三维数据变为二维数据;其次用KECA进行白化处理的同时解决数据的非线性;然后建立ICA监测模型用于非高斯生产过程监测;最后将该方法应用到青霉素发酵仿真和实际的工业过程并与MKICA方法进行对比,验证该方法的有效性。     

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.     

改进的小脑模型神经网络及其在时间序列预测中的应用

针对小脑模型神经网络(cerebellar model neural network,CMNN)中泛化能力与存储空间容量之间的冲突这一关键问题,提出了一种改进的小脑模型神经网络——模糊隶属度小脑模型神经网络(fuzzy membership cerebellar model neural network,FM-CMNN),用于解决非线性动态系统的时间序列预测问题.首先,FM-CMNN在保留原始CMNN输入变量的地址映射方式的情况下,在CMNN存储空间中引入铃型模糊隶属度函数,从而保证在不需增加量化级数的情况下提高网络的泛化能力.然后,使用梯度下降算法对网络权值进行更新,提高网络的逼近强度.最后,通过非线性时间序列预测基准实验和污水处理中水质参数预测实验,验证了FM-CMNN性能的可靠性.     

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.     

板形模式的一种模糊识别方法

根据带风板形控制的要求，运用模糊识别理论，提出一种新的板形识别方法，该方法避开了多项式回归运算，具有很强的抗干扰能力，通过对实测板形数据的分解表明其识别效果很好