基于RBF神经网络的制浆蒸煮终点预测模型

为稳定纸浆质量,实现蒸煮终点的精确预测,建立基于RBF网络的终点预测模型,通过与BP模型的比较,可知基于RBF网络的蒸煮终点预测模型具有较好的快速性及准确性.     

基于粗糙集和神经网络的地表水质预测

当前,许多地方已经建设重点污染源在线监控系统,收集了重点污染源大量的排污数据。同时,也开始建设地表水质自动监测系统,并获得地表水质的实时数据。利用数据挖掘技术,这些数据对城市地表水质的分析和预测有着十分重要的意义。本文主要以小榄水道马大丰水厂水质自动监测子站的历史数据和周边上下游重点污染源在线监控数据为研究对象,并利用数据挖掘技术,对监测数据进行筛选,预处理和属性约简,再运用BP神经网络技术建立模型,对小榄水道的主要指标CODMn进行预测。预测结果分析表明,误差较少,预测效果较好。     

基于RBF网络的胶磷矿浮选精矿指标预测模型

本文基于RBF神经网络构造了云南某胶磷矿浮选多因素输入和浮选精矿品位、回收率之间的浮选模型,并在Matlab环境下进行了计算机仿真试验,结果表明,模型预测精度较高,验证了非参数建模的合理性,具有一定的实用价值,为浮选过程的控制奠定了基础.     

基于RBF神经网络的水轮机故障诊断研究

基于RBF神经网络,提出使用RBF神经网络进行水轮机故障诊断,给出RBF神经网络模型及算法。对水轮机故障信号进行分析,并提取故障信号特征量,将故障信号特征向量作为学习样本,通过训练,使构造的RBF神经网络能够反映特征向量和故障类型之间的映射关系,从而达到故障诊断的目的。     

基于RBF神经网络路径安全策略

通过非线性时间序列的策略分析,按照神经网络的路径选择特点和非线性数据的分析方法进行总体评估,提出基于RBF神经网络路径安全策略.     

基于RBF神经网络的螺杆泵井故障诊断

针对螺杆泵井工况复杂、故障种类繁多,反映特征参数与故障类型的数学模型难以搭建,提出了建立一种基于RBF神经网络的螺杆泵井故障诊断模型。选取日产液量、动液面深度、电机功率作为输入向量,将抽油杆断脱、泵漏失、油管漏失等故障类型作为输出向量,采用RBF神经网络工具箱建立了螺杆泵井故障诊断模型,并对网络进行了训练,利用该网络测试了大庆油田两口螺杆泵故障井,结果表明：RBF神经网络具有较快的收敛速度和良好的稳定性能;验证了建立的RBF神经网络的螺杆泵井故障诊断模型的正确性\可行性和有效性。     

RBF神经网络预测焦化企业煤气产量

对焦炉的发生和消耗特性进行分析,找出影响煤气产量的主要影响因素,并建立径向基函数（RBF）神经网络模型进行预测,实验表明：RBF模型具有较强的非线性逼近能力,能较真实地反映煤气产量和影响因素之间的非线性关系,预测效果要优于BP神经网络模型。     

基于互信息和自组织RBF神经网络的出水BOD软测量方法

针对污水处理过程出水生化需氧量（biochemical oxygen demand,BOD）难以实时准确测量的问题,提出了一种基于互信息和自组织RBF神经网络的软测量方法对出水BOD进行预测。首先,使用基于互信息的方法提取相关特征参量作为软测量模型的输入变量;其次,设计一种基于误差校正-敏感度分析的自组织RBF神经网络,使用改进的Levenberg-Marquardt（LM）算法对网络进行训练以提高训练速度;最后将软测量模型应用于UCI公开数据集及实际的污水处理过程,实验结果表明该软测量模型结构紧凑,训练时间相对较短,预测精度有所提高,能够对出水BOD实现快速准确预测。     

基于BP和RBF神经网络预测硬质阳极氧化膜的硬度

通过两种不同方式分别构建NEWRB函数RBF神经网络和K-均值聚类RBF神经网络,同时构建BP神经网络.采用正交实验数据对不同神经网络进行训练,然后用训练完成的不同神经网络预测硬质阳极氧化膜的硬度,并将预测结果与实测值进行对比.结果表明:与BP神经网络相比,NEWRB函数RBF神经网络和K-均值聚类RBF神经网络的平均...     

基于RBF神经网络和遗传算法的注塑成型质量控制与预测

针对注塑产品容易产生翘曲和缩痕的问题,以某检测仪外壳为研究对象,运用RBF神经网络模型和遗传算法,对注塑成型质量进行控制与预测。基于正交试验方案,运用Moldflow有限元分析软件获得试验结果;利用样本数据建立试验因素与响应值之间的RBF神经网络模型,并用最优拉丁超立方抽样技术,获得样本点对模型精度进行检验;运用带精英策略的非支配排序遗传算法(NSGA-Ⅱ)对注塑成型工艺参数进行多目标优化,达到有效控制和预测翘曲变形、体积收缩率和缩痕指数的目的,并经模拟和试模验证误差较小。结果表明,运用RBF神经网络模型和遗传算法对注塑成型质量进行控制与预测,生产出检测仪外壳最大翘曲变形量为0.394 mm,外观无缩痕。     

重力热管振荡传热特性RBF神经网络动态建模

The work address the problem of modeling the dynamical oscillating behavior during both unstable and stable operations, of an experimental thermosyphon. A standard RBF artificial neural network-based prediction model was developed for predicting the oscillating heat transfer of thermosyphon by means of input-output experimental measurements with the characteristics of time series. A comparison of prediction values between the RBF network and the MLP network was giving. The precision of RBF network was higher than that of the other neural networks such as BP-MLP network etc. The dynamical model of RBF network could be used to describe, predict and control the heat transfer process of a thermosyphon or a heat pipe system.     

基于遗传神经网络的微滤膜通量的预测

针对BP神经网络在寻优过程中容易陷入局部极小值的缺点,将遗传算法和BP神经网络相结合,构造了一种基于遗传算法的反向传播（GABP）神经网络。网络的训练分为两步：首先利用遗传算法群体寻优策略,采用遗传算法对网络权值和阈值进行全局搜索,保证其落入全局最优点的邻域;然后再用梯度法对网络权值进行细化训练以进一步减小误差,使其收敛于全局最优解或性能很好的近似最优解。网络训练时使用的数据是在不同操作条件 （温度、压力、浓度）下,用标准孔径为0.1 μm 的亲水聚偏氟乙烯微滤膜过滤牛血清白蛋白(BSA)溶液时得到的膜通量实验数据,用训练好的GABP神经网络对微滤膜过滤BSA的膜通量预测研究结果表明,与传统的BP算法相比,GABP神经网络算法改善了网络收敛速度以及膜通量预测的准确度。     

煤种成浆性的人工神经网络预测模型研究

为更好地预测煤的成浆性,以大量煤种成浆浓度试验数据为基础,建立了3个输出因子的神经网络成浆浓度预测模型,模型采用L-M算法,对输入数据进行数据预处理,最后对比分析了神经网络预测模型与回归分析模型的预测结果。结果表明,以A_d、哈氏可磨性指数HGI和氧含量O为输入因子的模型预测结果平均绝对误差为0.63%,以M_(ad)、HGI和O为输入因子的模型预测结果平均绝对误差为0.60%,以M_(ad)、HGI和氧碳比O/C为输入因子的模型预测结果平均绝对误差为0.40%,3种组合的模型结果均小于回归分析模型的平均绝对误差1.15%。因此神经网络模型比回归分析模型有更好的预测能力,其中以M_(ad)、HGI和O/C为输入因子的神经网络模型预测结果最好。     

Folding rate prediction based on neural network model

One of the most important challenges in biology is to understand the relationship between the folded structure of a protein and its primary amino acid sequence. A related and challenging task is to understand the relationship between sequences and folding rates of proteins. Previous studies found that one of contact order (CO), long-range order (LRO), and total contact distance (TCD) has a significant correlation with folding rate of protein. Although the predicted results from TCD can provide better results, the deviation is also large for some proteins. In this paper, we adopt back-propagation neural network to study the relationship between folding rate and protein structure. In our model, the input nodes are CO, LRO, and TCD, and the output node is folding rate. The number of nodes in the hidden layer is seven. Our results show that the relative errors for the predicted results are even lower than other methods in the literature. We also observe a best excellent correlation between the folding rate and contact parameters (including CO, LRO, and TCD), and find that the folding rate depends on CO, LRO and TCD simultaneously. This means that CO, LRO and TCD are similarly important in folding rate of protein. Some comparisons are made with other methods.     

基于RBF神经网络的油藏相对渗透率曲线计算

提出了一种基于改进的RBF神经网络的相对渗透率曲线计算方法。利用骨干粒子群的位置更新操作更新RNA遗传算法的变异算子得到混合RNA遗传算法（HRGA）,针对RBF神经网络中隐含层径向基中心值的确定,利用HRGA算法对其进行优化,并用于相对渗透率曲线的计算。将HRGA优化的RBF神经网络和标准RBF神经网络计算的相对渗透率曲线与真实值误差对比分析,实验结果表明HRGA优化的RBF神经网络明显提高了计算精度。     

基于加权RBF神经网络的诺西肽发酵过程菌体浓度软测量

结合诺西肽发酵过程的实际情况,提出了基于加权RBF神经网络(weighted RBF neural network, WRBFNN)的菌体浓度软测量建模方法。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。针对菌体浓度变化范围大这一特点,将传统RBF神经网络(RBF neural network, RBFNN)的误差函数进行了改进;然后根据每批训练样本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重,进而实施WRBFNN建模。实验结果验证了所提方法的有效性。     

基于BP神经网络的结晶成核速率预测

利用神经网络所具有的输入输出之间的高度非线性映射关系,给出了一种利用BP神经网络模型预测磷酸二氢铵结晶成核速率的方法。在对网络进行训练的基础上,建立了磷酸二氢铵结晶生长速率与过饱和度、冷却温度、饱和温度及悬浮密度和之间的数学模型。仿真结果表明,利用文中所提出的神经网络模型能够较准确、快速地预测结晶成核速率的变化,预测值与测量值的最大相对误差不超过5.9%,表明该网络预测模型有很大的实用性。     

基于神经网络的钛合金微弧氧化膜层性能预测模型的建立

采用微弧氧化技术在钛合金表面制备了陶瓷膜层。利用正交试验得到了不同工艺参数(电流密度、频率、占空比和氧化时间)与膜层性能(厚度、粗糙度和显微硬度)数据,借助MATLAB软件建立了由4个输入向量、13个隐含层节点和3个输出向量组成的BP人工神经网络模型。该网络能较好地掌握工艺参数与膜层性能之间的内在规律,并能高精度预测膜层的性能,3个性能参数的平均预测误差分别为4.1%、4.2%和2.4%,最大预测误差分别为8.2%、8.6%和3.1%。