一种分布式模糊神经网络在熔融指数软测量中的应用

采用Mamdani模型作为模糊分类器 ,利用神经网络建立非线性模型 ,构造一种分布式神经网络。采用多组样本数据建模 ,根据各输入模糊子集和隶属度函数 ,将输入样本空间模糊分割成多个子空间 ,对每个子空间用一个神经网络模型建立映射关系。对每一组输入向量在确定归属类后 ,自动切换至对应的子网络作为输入 ,该子网络的输出值则作为分布式网络的输出。仿真结果表明 ,该方法与用单个神经元网络相比 ,明显提高了模型的精度和泛化能力。     

基于系统输出分布的建模和控制方法及应用

提出了依据系统输出分布的特征变量选取方法,并提出了依据该项信息的建模和控制方法.仿真结果令人满意.在一个实验性二元精馏塔上用IBM-PC机进行试验亦获成功.简化模型能较好地近似精馏塔的逐板模型,控制策略优于常规PI控制策略.     

基于IP网络的NCS中通信网络动态模型的建立

对于一个基于IP网络的控制系统 (NCS),该IP网络上的其它数据流严重地影响着NCS的控制性能。为此,提出了一个动态模型来描述NCS数据传输过程中的时延和丢包。基于该模型,通过计算机仿真考察了不同网络干扰流对单输入单输出常规PIDNCS开环、闭环特性的影响。仿真结果表明:对于采用常规PID控制器的NCS,网络负荷对其控制性能影响很大;当网络负荷过大时,该NCS可能变得不稳定。     

基于人工神经网络的电力负荷预测算法研究

电力负荷数据管理系统是电力营销技术支持系统的组成部分,对电力系统运行有着重要的辅助作用。采用神经网络预测模型．设计输入变量和确定神经网络结构的方法和算法．可以使得从历史样本知识数据到最终预测模型的建模过程变得简单明了,便于实际应用。预测方法是使用MATLAB建立模型,对24个负荷点预测,采用多输入单输出的神经网络预测每天的整点负荷值。因为电力负荷与环境因素有关,在输入、输出向量设计中输入变量加入天气特征值。根据输入、输出向量对BP网络设计。该算法结构简单,最后进行短期负荷预测仿真,仿真结果表明其有较好的预测精度。该模型具有网络结构较小,训练时间短的优点,并考虑不同小时负荷差异,易于实现,具有较高的预测精度．预测误差在15％以下,一定程度上克服传统算法收敛速度慢,容易陷入局部积小的缺点。     

一类多变量系统的自抗扰非线性动态解耦控制

针对一类多变量系统控制中的耦合问题,提出了一种基于自抗扰技术的非线性动态解耦控制(ADRC)方法。该方法不依赖于系统的精确数学模型,分别在控制器耦合矩阵部分已知和未知的情形下,在局部静态解耦的基础上,将各子系统的模型摄动、外扰和包括输入变量相互作用在内的动态耦合视为各通道上的扰动总和,通过引入虚拟控制和状态量,设计扩张状态观测器(ESO)估计总扰动并进行反馈补偿,进而再对各解耦子对象分别设计非线性单输入单输出ADRC以保证闭环系统稳定。最后以蒸馏塔模型的过程控制仿真验证了该方法具有良好的动态解耦效果,对模型不确定性和外部扰动具有较好的鲁棒性和适应能力。     

自适应模糊滑模控制在化工过程中的应用

为有效处理多变量、非线性及非最小相位系统的复杂化工过程,提出了一种新型的自适应模糊滑模控制,该方法针对滑模控制鲁棒性好但存在抖振的问题,采用模糊控制柔化控制信号,而与滑模控制的结合可以充分利用系统信息,简化模糊控制;在此基础上提出一种新的自适应调整比例因子来进行模糊变论域,柔化了控制信号并减小了滑模控制器输出的抖振。并给出模糊滑模控制的算法和稳定性分析,得到简化后的通用模糊规则库,可通过比例因子在线调节输入量的论域,使构成的控制系统具有很强的鲁棒性、较好的自适应能力和较高的控制精度。最后对于非线性单输入单输出(SISO)和多输入多输出(MIMO)化工模型进行仿真研究,结果表明即使工况点发生大的变化或受到较大干扰时,仍具有良好的抗扰动能力和很强的鲁棒性。     

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RBF神经网络的小角度井斜方位角误差校正

分析了电子测斜仪本身及工作过程中可能出现的误差和误差来源,小角度井斜时,其方位角测量误差比较大。基于径向基函数(RBF)神经网络算法对小角度井斜下方位角的测量进行了补偿,建立了以标准井斜角和实测方位角构成的二维向量为输入、标准方位角构成的一维向量为输出的双入单出网络模型,采用随机选取的方式将学习样本分为训练集与测试集,可以使网络具有较好的泛化能力。对比建立的若干RBF神经网络模型对误差的校正效果,确定出具有最佳方位角补偿效果的校正模型参数。仿真测试结果表明,该RBF神经网络校正模型运行稳定快速,方位角的测量精度提高至1.3以内,误差补偿效果好。     

基于加权模糊聚类方法的多模型建模

针对化工过程软测量模型的多样性,提出基于一种加权模糊聚类方法的多模型建模方法。将输入向量与输出的相关性作为加权系数,构建加权模糊聚类算法,对样本空间的输入数据进行聚类,然后用与输入变量对应的子模型进行输出估计,子模型输出作为系统模型的最终输出。该方法能够实现对输入数据更加合理的划分,提高软测量模型的精度。将该方法应用于双酚A生产过程的质量指标软测量建模,仿真结果表明了该方法的可行性和有效性。     

一种粉煤灰混凝土砖渗透性的智能预测方法

渗透性是评价高性能混凝土的重要指标之一.提出了一种最小二乘支持向量机的掺粉煤灰高性能混凝土的氯离子渗透性预测新模型.以水胶比、水泥用量、单方混凝土用水量、粉煤灰掺量四项因素为输入,氯离子渗透系数为输出,通过最小二乘支持向量机模型拟合输入与输出之间的复杂非线性函数关系.以实验数据为样本对模型进行学习训练,用训练好模型预测在一定工艺条件下混凝土氯离子渗透系数.实践表明,该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型.     

动态系统神经网络结构的改进及其应用

在对动态神经网络结构分析的基础上,提出了新的网络结构模式,把具有同类特性的输人参数集中在一个节点上以代表该类参数的性质、产生这类参数对网络的综合作用。这样构造的更合乎逻辑的神经网络的权值总数要比传统的BP网络的权值总数大大减少,从而加快网络学习速度,有利于网络的在线学习和提高网络的可靠性与稳定性。此外,本文对神经网络逆动态控制器进行了分析,提出在输入层增加系统偏差作为一个输入变量,从而增强了控制器的控制质量和控制反应能力。最后,应用上述技术对CSTR典型化工实例进行了验证,取得了较好的结果。     

基于基团贡献神经网络集成法估算有机物常压凝固点

基于基团贡献法应用人工神经网络对有机物的常压凝固点进行了估算,输入参数为有机物的基团数和表征异构体的参数,输出为常压凝固点.分析了采用最速梯度下降法的BP算法在训练过程中产生误差饱和情况的原因,采用在隐含层节点中加入误差饱和预防函数用来防止误差饱和情况的出现.仿真结果表明,所采用的方法能有效地减小网络在误差表面陷入低谷的可能性和提高网络的收敛速率.采用神经网络集成法建立了神经网络集成模型,通过仿真合理选择隐含层节点数和采用交叉验证法用于防止BP网络的过度训练,增强了网络的泛化能力.估算结果表明,所建立的神经网络集成模型,其网络有良好的稳定性和预测精度,207个样本估算的绝对平均相对误差为8.62%.     

微生物燃料电池的动态性能分析及其神经网络预测控制

微生物燃料电池（microbial fuel cell,MFC）反应底物浓度的控制问题是整个系统优化控制的重要环节,其控制效果的优劣对系统的输出电压有很大的影响。针对MFC输出电压在常规控制策略下超调量大和响应速度慢的特点,对MFC系统模型中输入量、控制量的变化对系统输出的影响进行动态仿真;将负载电流作为扰动量,提出了针对MFC系统阳极进料流量进行控制的神经网络预测控制策略。仿真结果表明,与PID控制方法相对比,利用神经网络预测控制策略的系统输出电压响应速度快且超调量小,其动态性能得到了较大的改善。     

Modelling of A Fluidized Bed Drier Using Artificial Neural Network

ABSTRACT

Proper modelling of a fluidized bed drier (FBD) is important to design model based control strategies. A FBD is a non-linear multivariable system with non-minimum phase characteristics. Due to the complexities in FBD conventional modelling techniques are cumbersome. Artificial neural network (ANN) with its inherent ability to “learn” and “absorb” non-linearities, presents itself as a convenient tool for modelling such systems.

In this work, an ANN model for continuous drying FBD is presented. A three layer fully connected feedfordward network with three inputs and two outputs is used. Backpropagation learning algorithm is employed to train the network. The training data is obtained from computer simulation of a FBD model from published literature. The trained network is evaluated using randomly generated data as input and observed to predict the behaviour of FBD adequately.     

BP神经网络的发展及其在化学化工中的应用

人工神经网络（ANN）由于本身具有极强的非线性映射能力、容错性、自学习能力得到广泛的应用。基于反向传播算法（BP）的神经网络作为ANN重要组成部分,在涉及多种非线性因素建模时,相对于传统的反应机理建模显示出巨大的优势。虽然神经网络的发展几经繁荣与冷落,但目前在不同领域已经获得成功的应用。本文概述了BP神经网络的映射原理、缺点以及相应的改进方法,介绍其在催化剂设计、动力学模拟、理化特性估算、过程控制与优化、化学合成与反应性能预测的应用现状,展示了使用不同优化方法的改进模型在实验设计与优化方面取得的成果。最后指出未来BP神经网络的发展要进一步结合数据深度挖掘与机器学习等技术,为今后化学化工领域的研究提供强有力的工具。     

基于人工神经网络的轮胎侧偏特性模型

采用多层前馈神经网络系统建立轮胎侧偏特性模型,用Ｌ－Ｍ算法作为学习算法,利用人工神经网络反映轮胎输入和输出特性之间的非线性映射关系,试验结果表明,人工网络可以产生出具有很同的准确性和计算效率的轮胎侧偏特性模型。     

The artificial neural networks and the drying process modeling

ABSTRACT

Artificial Neural Networks (ANN) becomes an important tool in modelling. designing and controlling a chemical or biochemical process. because of its learning and generolisation properties that confer it the full power of a self organising system. A neural network is farnod of synthetic neurones. grouped in layers (input. output and hidden). Each one has as task to process the signals received from its dendrites according to its thresh–old function (the asin step when processing information); after that. the answer outputs through its axon to the rest of the neurones (1). This stands for the ability of the net to use the information stored into the private neurones‘ weights. In the learning phase. the derivative of the thresbold function plays. on almost every case. a key role in matching the answer of the net with the correct output data learning set. providing that any step descent learning rule is used (1) It is obvious that choosing a suitable threshold function is an essential step in having an appropriate neural network. By far. the most used threshold function is the well–known signoid The authors fully examined the impact over the performance of a given neural network (input, hidden and output layers kept the same) of changing this function with another signoid. more versatile The shape of this function heavily modifies when changes in α and/or β occur. This new threshold function seens to be more promising due to its ability to match each neuron's needs, changing α and β accordingly. The training data was a set of experimentally obtained points regarding the sebacic acid's drying as powder with hot air. the neural notwork learning rule being the back-propagation algorithm (1). The learning rate for the new threshold function is drestically affected by α and β val     

一种用于动态化工过程建模的反馈神经网络新结构

提出了一种新的用于非线性动态化工过程的状态集成反馈神经网络结构 (SIRNN) ,并将静态BP网络的训练算法引入到该网络的训练中 .状态反馈、时间序列延迟与集成节点的概念结合在SIRNN结构中 ,使得在用SIRNN建模过程中既可以考虑系统过去更多时刻的状态信息又可以相对降低网络的复杂程度 ,使得网络结构更趋于合理 .将SIRNN对一单输入单输出二阶非线性动态系统建模 ,并与其他反馈神经网络建模效果进行了比较 ,同时对该网络结构进行了抗干扰性检验 ,并对其在多输入单输出系统的应用中进行了尝试 ,结果表明SIRNN结构对非线性动态系统建模具有快速、高效和抗干扰的良好性能