基于动态BP神经网络的漂白过程辨识研究

针对纸浆漂白过程的大惯性、大时滞、非线性,时变和多干扰的难控特点,本文提出利用动态BP神经网络来建立纸浆漂白过程的模型,仿真结果表明,该网络具有较好的准确性,能够较为真实的反应漂白过程.然后利用训练好的网络模型来模拟实际生产过程,在此基础上通过阶跃响应法来辨识对象模型的参数,得出了过程的具体数学模型,为纸浆漂白的优化控制提供了可能.     

优化前馈神经网络模型结构的统计分析方法

利用统计分析学的方法对神经网络结构的优化问题进行研究,在神经网络模型输出节点的输出误差具有正态分析的假设下,推导出网络结构信息准则ＮＳＩＣ,并利用主成分分析方法确定了网络的初始结构。仿真结果表明了这一算法的有效性。     

纸浆材料在装饰画创作中的工艺研究

本文着重对纸浆装饰画的材料及工艺进行创新性探究。"纸浆装饰画的设计"其作品成本低、制作速度快、色彩丰富、能产生非常好的肌理效果以美化人们居室环境。可呈现出不同的视觉美、色彩协调美、纸浆肌理美和工艺美,同时纸浆装饰画又能与环境高度协调。增强了居室环境的美感因素。由于这种艺术形式含有较强的表现力,从而可产生无穷的艺术魅力。纸浆装饰画可以形成系列手工作坊,进行市场推广。作为一种新型的艺术表现手法,它具有一定的艺术价值与市场前景。     

小波Hopfield神经网络及其在优化中的应用

通过把Hopfield神经网络的sigmoid激励函数替换为Morlet小波函数,提出了一种新型的Hopfield神经网络——小波Hopfield神经网络(WHNN)。由于Morlet小波函数具有良好的局部逼近能力和较高的非线性度,因此WHNN在非线性函数寻优上表现出令人满意的较高精确度的效果。一个典型的函数优化例子表明小波Hopfield神经网络比Hopfield神经网络有较高的精确度。     

神经网络在系统稳态优化中的应用

本文将多层神经网络用于系统稳态优化,从而避免了依靠数学模型的传统途径,为在那些建模困难的场合实现优化提供了可能,仿真结果令人满意。     

神经网络优化算法的新结果及其在通讯网络中的应用

文[1]用改进的神经网络旅行商算法研制了通讯网络的编路问题，但其只限于通讯容量矩阵C是对称阵的情形，本文将其结果推广到C非对称阵这一更一般情形，且本文提出了新的控制向量初始化措施，加快了算法的收敛速度。     

基于BP神经网络PID的漂白温度控制算法的研究

本文讨论了使用BP神经网络PID控制算法,并且将这种控制算法应用在漂白工段的控制当中。利用神经网络自学习能力,在线整定PID控制参数。实践证明BP神经网络PID控制器具有实现简单,适应性强,具有较高的控制精度等特点。     

遗传算法复合控制在纸浆蒸煮中的应用

本文根据造纸车间的纸浆蒸煮过程,提出了一种基于遗传算法的CMAC(小脑模型关联控制器)与PID复合控制方法来优化对纸浆蒸煮的温度控制,用遗传算法优化PID控制器的初始参数,然后再结合CMAC网络进行控制。仿真试验研究表明该方法用于纸浆蒸煮温度控制是可行的,控制效果得到显著提高。     

混沌神经网络在求解优化问题中的应用

本文运用GCM混沌神经网络对Hopfield神经网络在求解优化方面的问题进行了改进。通过混沌遍历,可使Hopfield网络在整个相空间进行搜索,从而避免网络在运行过程中陷入局部极小值。通过对一个对弈的实例进行实验,结果显示Hopfield网络的寻优特性获得了较大改进。     

一种新型暂态混沌神经网络及其在函数优化中的应用

本文提出了一种新颖的混沌神经元模型，其激励函数由Gauss函数和Sigmoid函数组成，分又图和Lyapunov指数的计算袁明其具有复杂的混沌动力学特性。在此基础上构成一种暂态混沌神经网络，将大范围的倍周期倒分叉过程的混沌搜索和最优解邻域内的类似Hopfield网络的梯度搜索相结合，应用于函数优化计算问题的求解。实验证明，它具有较
较强的全局寻优能力和较快的收敛速度。     

神经网络输出两阶段优化及其应用

1　引言随着计算机在生产控制中的广泛应用 ,钢铁企业在其生产过程中必然搜集了大量的热轧数据 .这些数据实际上是企业的经验和知识积累 ,当其积累到一定程度时 ,必然会反映出生产和决策的规律性 .同时 ,在大多数情况下用户对热轧产品质量的要求往往越高越好 .这就要求钢铁企业     

一种基于田口-遗传算法确定的神经网络及其应用

为了解决神经网络结构和参数难以确定的问题,提出用工程领域内的田口设计方法和人工智能领域的遗传算法相结合的方法,用于同时确定神经网络结构和参数.将该算法应用到了小麦期货的收盘价短期预测上,结果表明,算法有较好收敛能力,预测是可行和有效的,有着良好的应用前景.     

基于改进的粒子群优化的神经网络故障诊断方法研究

针对BP(Back Propagation)神经网络易陷入局部极值的缺点,提出了一种粒子群PSO(Particle Swarm Optimization)神经网络,同时为避免PSO算法早熟,对部分粒子采用变异操作。应用于故障诊断系统的仿真结果表明,该算法能够大大提高故障诊断的精度。     

一种非线性优化的神经网络

本文提出了用人工神经网络求解具有约束条件的非线性优化问题的具体方法，分析了神经网络能量函数的构成形式，并在常规的Ｈｏｐｆｉｅｌｄ网络模型的基础上构造了一个非全局连接的神经网络动力学模型。这种修改的Ｈｏｐｆｉｅｌｄ网络克服了常规的Ｈｏｐｆｉｅｌｄ网络在求解非线性优化问题时权值不好映射的困难，具有结构清晰，易于软件模拟和硬件实现的优点。     

基于QR-ROLS算法的小波神经网络应用研究

针对小波神经网络的结构设计和权值选取,提出一种基于QR分解的递推正交最小二乘算法以节省计算资源和计算时间,仿真结果表明基于QR-ROLS(QR Decomposition-Recursive Orthogonal Least Squares)算法的小波神经网络比依据时频特性设计的小波神经网络结构更优,运行效率更高.     

基于单纯形优化学习算法的前向神经网络电机模型辨识

研究了基于单纯形优化学习算法的前向神经网络，并将其用于无刷直流电动机数学模形的动态辨识，在实现全局最小和改善学习性能方面获良好效果。     

一种基于多目标优化的神经网络快速学习算法

本文根据多目标优化理论、认知科学和神经科学等学科的最新成果，提出了一种基于多目标优化的神经网络快速学习算法．实验结果表明，该学习算法可以解决目前神经网络普遍存在的学习时间长、容易陷入局部极小和网络结构优化难等问题.     

结合遗传算法优化BP神经网络的结构和参数

本文提出了一种改进的遗传算法,并用其实现BP神经网络的拓扑结构和参数的优化。改进的遗传算法采用了一种新的编码方式,并对遗传操作进行了改进。仿真试验的结果表明,这种算法能够有效地提高BP神经网络结构和参数的优化效率。     

基于粗糙集理论和SOFM神经网络的聚类方法

粗糙集理论和自组织特征映射SOFM(Self-Organizing-Feature-Map)神经网络在聚类分析中有各自的优势和劣势,结合SOFM神经网络和粗糙集理论提出一种算法.该算法利用粗糙集理论的属性约简去掉样本的冗余属性,并将处理过的数据作为SOFM神经网络的训练样本,从而减小了SOFM网络的规模,因此提高了样本的聚类效率.     

主成分分析法用于化工过程人工神经网络建模

达到提出应用主成分分析法对样本进行预处理,减少网络的输入因子数,消除输入因子间的关相性关简化网络结构,达到提高网络学习速率的目的,得到的人工神经网络模型能达到所要求的精度。