基于SOM-RBF神经网络的COD软测量方法

污水处理是一个复杂的非线性过程,化学需氧量（chemical oxygen demand,COD）是评价污水处理效果的关键指标之一。COD的传统测量方法耗时长、成本高,基于传统神经网络的软测量方法提高了COD参数的测量速度但精度较差。针对这些问题,设计一种结合自组织特征映射 (self-organizing map, SOM)和径向基函数(radial basis function, RBF)神经网络的COD参数软测量方法。该方法利用SOM网络聚类数据样本,根据所得聚类结果确定RBF网络的隐层节点数及节点的数据中心,综合提高RBF网络的收敛速度和拟合精度。利用污水处理厂部分水样数据建立COD软测量模型,模型仿真和硬件在线测试结果表明,相对于传统的BP、RBF等网络,基于SOM-RBF神经网络的COD软测量方法测量时间短、预测精度较高,具有较为广阔的应用前景。     

基于SOM-RBF神经网络的COD软测量方法

污水处理是一个复杂的非线性过程,化学需氧量(chemical oxygen demand,COD)是评价污水处理效果的关键指标之一。COD的传统测量方法耗时长、成本高,基于传统神经网络的软测量方法提高了COD参数的测量速度但精度较差。针对这些问题,设计一种结合自组织特征映射(self-organizing map, SOM)和径向基函数(radial basis function, RBF)神经网络的COD参数软测量方法。该方法利用SOM网络聚类数据样本,根据所得聚类结果确定RBF网络的隐层节点数及节点的数据中心,综合提高RBF网络的收敛速度和拟合精度。利用污水处理厂部分水样数据建立COD软测量模型,模型仿真和硬件在线测试结果表明,相对于传统的BP、RBF等网络,基于SOM-RBF神经网络的COD软测量方法测量时间短、预测精度较高,具有较为广阔的应用前景。     

基于模糊RBF神经网络的乙烯装置生产能力预测

针对传统的径向基函数(RBF)神经网络隐藏层节点的不确定和初始中心敏感性、收敛速度过慢等问题,提出一种基于模糊C均值的RBF神经网络(FCM-RBF)模型,通过模糊C均值聚类(FCM)得到各聚类中心,基于误差反传的梯度下降法训练隐藏层到输出层之间的权值,克服传统RBF模型对数据中心的敏感性,优化确定RBF神经网络隐藏层的节点数,提高网络训练速度和精度。最后将其用于乙烯装置生产能力预测中,分析预测不同技术、不同规模乙烯装置生产情况,指导乙烯生产,提高生产效率,结果验证了所提出算法的有效性和实用性。     

基于EGK'M-RBF网络的顺丁橡胶门尼黏度预测

提出一种基于增强的全局K'-means算法(EGK'M)-RBF网络的建模方法,该方法采用作者提出的EGK'M来确定RBF网络隐含层的结构,包括隐含层中心个数、中心位置以及隐含层扩展常数,采用KPCA提取非线性特征信息,实现辅助变量的二次选择.并与基于PCA和EGK'M-RBF网络模型、基于KPCA和K-means算法...     

嵌入岭回归的BP算法及其在软测量中的应用

针对三层神经网络(ANN)最佳隐节点个数难以确定和随着隐节点个数增加ANN模型易出现过拟合等缺点,提出了嵌入岭回归(RR)的误差反传算法(BP).BP-RR根据样本规模自适应确定隐节点个数,并通过BP算法充分提取样本数据信息.然后,针对隐含层输出可能存在的复共线性,采用RR以预测性能为指标,通过进化算法确定最佳岭参数,进而重新确定隐含层与输出层之间最佳的权值和阈值,克服ANN过拟合,建立具有良好预测性能的模型.将BP-RR应用于建立石脑油干点软测量,结果显示,BP-RR模型具有良好的预测性能.与ANN相比,BP-RR模型鲁棒性强,预测精度高.     

改进的双模型结构RBF神经网络及其应用

提出了离线结构学习和在线权值校正相结合的双模型结构RBF神经网络,以离线学习和在线校正相结合的方式实现网络的自学习和自校正,满足了软测量仪表现场应用的要求。针对应用过程中出现预测误差过大的现象,通过对网络算法进行分析,研究影响网络预测精度的因素,在此基础上,提出了以K均值聚类法和递推下降算法相结合的RBF神经网络建模改进算法,仿真结果和实际应用证明了改进算法的有效性。     

优化增量型随机权神经网络及应用

针对传统增量型随机权神经网络(I-RVFLNs)存在网络参数难以优化确定、模型收敛速度慢和结构复杂的问题,提出一种优化增量型随机权神经网络算法,即O-I-RVFLNs。与传统I-RVFLNs不同,所提O-I-RVFLNs算法首先设定了一个期望的建模残差向量,然后在每次新增隐层节点时,选择可以达到或小于此节点期望残差的输入权值和偏置作为该节点的输入参数,进而提高网络的收敛速度。除此之外,考虑到算法在不断迭代更新过程中建模误差越来越小,下降趋势越来越不明显的问题,将各指标参数相邻两次迭代均方根误差的差值考虑在算法终止条件内,并借鉴统计过程控制中的西电规则制定了相应的算法收敛判定准则。最后,基于UCI能效数据和实际高炉工业数据,对所提O-I-RVFLNs算法进行了验证和应用。结果表明,相对于其他RVFLNs算法,所提算法建立的数据模型能够获得更紧凑的网络结构以及更好的泛化性能和预测精度。     

优化增量型随机权神经网络及应用

针对传统增量型随机权神经网络(I-RVFLNs)存在网络参数难以优化确定、模型收敛速度慢和结构复杂的问题,提出一种优化增量型随机权神经网络算法,即O-I-RVFLNs。与传统I-RVFLNs不同,所提O-IRVFLNs算法首先设定了一个期望的建模残差向量,然后在每次新增隐层节点时,选择可以达到或小于此节点期望残差的输入权值和偏置作为该节点的输入参数,进而提高网络的收敛速度。除此之外,考虑到算法在不断迭代更新过程中建模误差越来越小,下降趋势越来越不明显的问题,将各指标参数相邻两次迭代均方根误差的差值考虑在算法终止条件内,并借鉴统计过程控制中的西电规则制定了相应的算法收敛判定准则。最后,基于UCI能效数据和实际高炉工业数据,对所提O-I-RVFLNs算法进行了验证和应用。结果表明,相对于其他RVFLNs算法,所提算法建立的数据模型能够获得更紧凑的网络结构以及更好的泛化性能和预测精度。     

基于双层智能结构的多模型软测量方法研究

根据多个模型的混合使用可提高模型的预测精度及鲁棒性的思想,提出一种双层智能结构的非线性多模型软测量建模新方法.该方法先用模糊C均值聚类算法将训练集分成具有不同聚类中心的子集,每一子集用网络或支持向量机进行训练得出子模型,再用模糊聚类后产生的隶属度将各子模型的输出加权求和得到最后结果.此算法通过对一个乙烯精馏塔的塔釜乙烯浓度软测量建模的工业实例仿真,证明该算法比其它的算法具有更好的泛化结果和预报精度,具有良好的应用潜力.     

基于改进扩张搜索聚类算法的多流形软测量建模

针对化工生产过程工况复杂多变,单一的软测量模型难以满足系统对估计精度的要求,提出了一种基于改进的扩张搜索聚类算法的多流形软测量建模的方法。该算法采用流形距离来代替欧氏距离,自适应地确定邻域半径,并引入局部密度用于确定聚类中心,对聚类后得到的各个子流形分别采用流形学习中的核等距映射法进行特征提取,建立基于高斯过程回归的子模型。将该方法应用于某双酚A生产装置的软测量建模,仿真结果验证了该方法的有效性。     

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。     

基于剪接系统的遗传算法RBF网络建模方法

A splicing system based genetic algorithm is proposed to optimize dynamical radial basis function （RBF） neural network, which is used to extract valuable process information from input output data. The novel RBF network training technique includes the network structure into the set of function centers by compromising between the conflicting requirements of reducing prediction error and simultaneously decreasing model complexity. The effectiveness of the proposed method is illustrated through the development of dynamic models as a benchmark discrete example and a continuous stirred tank reactor by comparing with several different RBF network training methods.     

用改进型RBF网络进行催化剂活性估值

引言Chen等［1]提出了一种径向基函数网络（RBFN）离线学习方法．事实上,RBFN的特点使它更适合于在线过程辨识,Pottmann等［2］提出了一种基于正交规则和统计检验的分段回归算法来设计和训练RBFN,吕强等［3]提出了一种采用递推K-均值族和Kalman滤波的混合算法（KKRBFN）．为了提高RBFN递推训练算法的精度和实时性,本文提出了一种基于递推K-均值簇和改进递推折息法的混和算法的RBFN;并将该RBFN算法用于某固定床反应器催化剂活性系数的估计,以验证所提出RBFN学习算法的有效性．l改进型RBFN的学习策略径向基函数网络可…     

Prediction of the gas solubility in polymers by a radial basis function neural network based on chaotic self‐adaptive particle swarm optimization and a clustering method

A novel model based on a radial basis function neural network (RBF NN), chaos theory, self‐adaptive particle swarm optimization (PSO), and a clustering method is proposed to predict the gas solubility in polymers; this model is hereafter called CSPSO‐C RBF NN. To develop the CSPSO‐C RBF NN, the conventional PSO was modified with chaos theory and a self‐adaptive inertia weight factor to overcome its premature convergence problem. The classical k‐means clustering method was used to tune the hidden centers and radial basis function spreads, and the modified PSO algorithm was used to optimize the RBF NN connection weights. Then, the CSPSO‐C RBF NN was used to investigate the solubility of N₂ in polystyrene (PS) and CO₂ in PS, polypropylene, poly(butylene succinate), and poly(butylene succinate‐co‐adipate). The results obtained in this study indicate that the CSPSO‐C RBF NN was an effective method for predicting the gas solubility in polymers. In addition, compared with conventional RBF NN and PSO neural network, the CSPSO‐C RBF NN showed better performance. The values of the average relative deviation, squared correlation coefficient, and standard deviation were 0.1282, 0.9970, and 0.0115, respectively. The statistical data demonstrated that the CSPSO‐C RBF NN had excellent prediction capabilities with a high accuracy and a good correlation between the predicted values and the experimental data. © 2013 Wiley Periodicals, Inc. J. Appl. Polym. Sci. 130: 3825–3832, 2013     

一种DNA-NSGA-Ⅱ RBF网络非线性动态系统建模

基于DNA计算操作算子，提出了一种多目标非支配排序遗传算法，用于实现径向基函数(RBF)网络的优化设计。以RBF网络结构最简、拟合精度最高为优化指标，得到一组Pareto最优解，并根据测试数据的误差绝对值之和最小准则，从Pareto最优解集中筛选出最佳RBF网络。连续搅拌反应釜和pH中和过程建模仿真研究表明，该算法是一种有效的“黑箱”动态建模方法。     

改进k-means聚类算法多模型建模的一种新的评价函数

pH中和过程的建模与控制一直是过程控制领域的难题。针对pH过程,提出了一种基于新性能评价函数的k-means聚类算法的多模型建模方法。针对k-means聚类算法中普遍存在的k值已知以及对初始点依赖严重的问题,在k-means聚类算法的基础进行改进,并且引入一个自定义的聚类效果评价函数确定聚类个数,然后采用偏最小二乘PLS算法建立相应的局部线性化模型。通过仿真研究,利用本文算法建立的多模型,获得到了良好的跟踪效果,验证了该改进算法的可行性和有效性。     

Melt index prediction by RBF neural network with an ICO‐VSA hybrid optimization algorithm

Melt index (MI) is considered as one of the most significant parameter to determine the quality and the grade of the practical polypropylene polymerization products. A novel ICO‐VSA‐RNN (RBF neural network with ICO‐VSA algorithm) MI prediction model is proposed based on radial basis function (RBF) neural network and improved chaos optimization (ICO), and variable‐scale analysis (VSA), where the ICO is first added and then combined with the VSA to overcome the defects of ICO and VSA, then the parameters of the RBF neural network are optimized with them. At last, the RBF neural network model for MI prediction model is developed. Further researches on the optimal RBF neural network model of MI prediction are carried out with the data from a real industrial plant, and the prediction results show that the performance of this prediction model is much better than the RBF neural network model without optimization. © 2012 Wiley Periodicals, Inc. J Appl Polym Sci, 2012     

基于迭代启发式动态规划的锅炉燃烧系统的优化控制

对锅炉燃烧系统进行径向基函数(RBF)神经网络建模,利用基于RBF神经网络的迭代启发式动态规划(HDP)算法对锅炉燃烧系统进行优化控制,并对神经网络初始权值和效用函数进行改进后与传统的HDP算法进行比较分析.