基于神经网络集成的诺西肽分批发酵过程混合建模

利用机理知识和神经网络集成方法建立诺西肽发酵过程模型.该模型以机理模型为基础,利用神经网络集成方法修正机理模型与过程输出之间的偏差.神经网络集成采用Bagging技术进行重复取样用于个体神经网络的训练,个体网络采用最常用的BP网络,各子网络的权重利用偏最小二乘回归方法确定.将所建模型与机理模型进行比较,结果表明该模型具有更高的精度.     

光纤陀螺刻度因子的建模方法

针对低精度光纤陀螺(FOG)刻度因子线性度较差的问题,提出了采用径向基函数(RBF)神经网络对刻度因子进行建模的方法,以减小光纤陀螺输出误差。通过测量数据对 RBF 神经网络进行训练,获得神经网络参数,根据神经网络结构和参数可以得到非线性刻度因子的解析表达式,将其作为刻度因子的模型,来提高 FOG 的精度。同时将 RBF 神经网络对刻度因子进行建模的结果与传统的建模结果进行了比较,验证了采用 RBF 神经网络对低精度刻度因子建模是非常有效的。     

基于先进信息处理技术的软测量应用探讨

软测量技术是通过间接方法实现对不易直接测量的过程变量进行估计.介绍了软测量技术的研究及应用现状,分析了软测量机理建模和非机理建模及其在不同场合的应用,探讨了软测量未来的发展方向.举例说明了软测量技术在不同领域的应用.融合神经网络、统计学习理论等多种先进信息处理技术是解决软测量中的在线自校正和实时性问题等难题的有效方法.     

诺西肽发酵中比生长率与生物量的在线连续估计

发酵过程的控制技术往往由于缺乏一些重要的过程信息而受到阻碍,主要原因是缺乏经济,可靠的在线传感器进行发酵过程中重要状态变量的测量,如生物量浓度、基质浓度、产物浓度以及关键参数比生长率的检测还是采用离线的实验室采样分析方法.由于存在较长的滞后,不能及时反馈控制所需的信息.提出了一种比生长率与生物量浓度的在线连续估计方法,它是基于在线可测变量氧的摄取率检测的基础上建立起来的.在诺西肽发酵的实验应用中,估计器的输出值与实验值吻合度好.     

基于神经网络的电机转矩软测量研究

径向基函数神经网络（RBFNN）具有最优逼近和全局逼近的特性，在函数拟合方面优于传统的BP网络，将在化工领域广泛使用的软测量技术应用于电机系统的转矩测量，该方法的可行性进行了论证，并运用RBF神经网络建立转矩的软测量模型。同时建立了基于BP神经网络的软测量模型，用改进的kvenberg—Marquardt算法对BP神经网络进行学习和训练，并对两种网络进行了对比。该方法只需要电流信息，辨识方法简单。研究表明，RBF神经网络辨识效果优于BP神经网络。     

装载机载重测量的支持向量机软测量建模方法

在阐述支持向量机(SVM)和最小二乘支持向量机(LS-SVM)的原理和算法并对两者的特点进行比较后,为装载机载重测量建立了基于LS-SVM的软测量模型,并从核函数选择以及核参数确定两方面阐述了LS-SVM软测量建模的过程,最后与RBF函数网络以及BP网络的软测量建模结果进行对比.仿真分析结果表明,LS-SVM同时兼顾了精度和泛化能力两方面的性能,其最大泛化误差仅为6.863 8×10-6,是适合装载机载重软测量的建模方法.     

基于RBF神经网络的微惯性测量组合标定

针对微惯性测量组合标定精度低的问题,充分发挥神经网络良好的逼近非线性函数的优势,以RBF神经网络为主要逼近手段,对微惯性测量组合输出非线性特性进行精确逼近,从而得到更为准确的标定结果.试验结果表明,基于RBF神经网络的标定算法能够有效地逼近微惯性测量组合敏感信息,与传统基于最小二乘法建模方法相比,微惯性测量组合输出标定...     

机器人系统中操作环境动力学模型研究

研究了机器人操作环境的动力学模型,提出了一种基于径向基函数(RBF)神经网络的机器人系统中环境非线性动力学模型新的建立方法,阐述了其建模机理和算法.结果表明,采用RBF神经网络对机器人系统中的操作环境建模比用BP神经网络有更高的精度,其网络训练速度也大大快于BP神经网络.     

基于主元分析和RBF神经网络的火灾模拟实验炉温软测量

软测量也称为软仪表技术,采用主元分析和RBF神经网络相结合的融合模型构成火灾模拟实验炉温软测量。主元分析（PCA）实现输入变量的降维,RBF神经网络采用K－均值聚类算法进行隐层中心和连接权调节的学习,实现快速收敛。该融合模型使炉温估计精度比常规的最小二乘方法拟合精度提高２倍以上。     

RBF神经网络在显示器色空间转换中的应用

目的研究RBF神经网络对显示器色彩空间转换预测准确性的方法。方法通过编程借助Measure Tool软件自动测量获取建模和测试数据,通过反复测试选择建模合适的函数和参数,最后用RBF神经网络模型进行仿真实验,以获取较好的RGB转换到Lab色空间的转换模型。结果 RBF神经网络模型测试得到的色块平均色差达到0.75,最大色差达到19.7。结论该方法建模简单方便,网络训练速度快,转换精度高,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

径向基函数神经网络在多维力传感器标定中的应用

维间耦合是制约多维力传感器测量精度的主要因素,为了克服传统线性标定方法的局限性,利用径向基函数（RBF）神经网络强非线性逼近能力进行了多维腕力传感器的静态标定,并将其与最小二乘法和BP神经网络标定法作了比较。以研制的六维腕力传感器为对象进行了实验,结果表明,采用RBF神经网络对多维腕力传感器标定比用最小二乘线性标定有更高的标定精度,网络训练速度则大大快于BP神经网络。这种新方法具有一定的实用价值。     

基于RBF神经网络的生物质电站高温气体CO2浓度测量方法

电站气体浓度测量对实现燃烧优化、提高燃烧效率和火焰品质、减少污染物排放具有重要意义。以CO₂气体为例进行研究,基于近红外波段可调谐激光吸收层析成像技术,提出了基于径向基(radial basis function, RBF)神经网络的高温气体CO₂浓度测量方法。通过实验获取不同浓度下的CO₂吸收可调谐激光光谱信号,计算CO₂吸收谱线和原始信号的差值,提取出描述该差异性的统计特征参数作为RBF神经网络的输入,CO₂浓度作为RBF神经网络的输出,建立了基于RBF神经网络的高温气体CO₂浓度测量仿真模型,通过仿真实例验证了该方法的有效性和正确性。与GRNN神经网络对比分析表明:RBF神经网络法可以有效提高CO₂浓度测量精度,为生物质发电高温气体计量提供理论依据。     

基于模糊规则分类的分布式RBF网络软测量模型

本文提出了一种利用基于模糊规则分类的分布式RBF网络来建立软测量模型的方法。该方法不但使样本数据的分类更加合理 ,而且在确定输入数据相对于各子网的隶属度时 ,计算量大大降低 ,从而提高了网络的估计速度。     

基于模糊聚类的RBF神经网络算法

文章提出一种根据模糊聚类的思想来确定RBF神经网络隐层节点数,并用K-Means的聚类算法来训练RBF神经网络.并根据此算法进行仿真,并证明是有效的.     

基于BP和RBF神经网络对静电纺丝工艺参数的优化研究

针对静电纺丝在制备过程中易受到如聚合物含量、电压、推进速度和接收距离等工艺参数影响的问题,提出一种静电纺丝工艺参数的优化方法,以提升纳米纤维制备效率。以聚乳酸纳米纤维膜为研究对象,采用纤维直径为性能评价指标,设计实验获得训练和测试样本,借助BP(Back Propagation)和RBF(Radial Basis Function)神经网络构建不同工艺参数下的预测模型。结果表明：BP和RBF神经网络模型均能较好的对纤维直径进行预测,但RBF神经网络模型预测精度更高,其平均绝对误差(MAE)为12.125 nm,相对误差不超过7%。RBF神经网络建立的预测模型具有更高的稳定性,模型泛化能力更好,综合预测性能更加优越。所建立的模型可以帮助研究人员制备具有确定纤维直径的静电纺丝纳米纤维膜,实现对工艺参数的优化。     

基于径向基函数神经网络的编织复合材料结构脱层损伤监测研究

鉴于传统的BP网络的速度慢和局部极小值问题，以及针对基于实验数据训练神经网络存在样本不足的缺陷，文中提出了利用径向基函数（Radial Base Function，简记为RBF）神经网络通过有限元方法对含有脱层损伤的复合材料试件进行数值模拟，把前五阶弯曲模态频率进行修正，以修正后的前五阶弯曲模态频率再经过归一化处理构建训练样本的新思路，将实验模态分析结果经归一化处理后送入训练好的RBF神经网络进行预测，从而实现对编制复合材料梁的脱层损伤定位和损伤程度评估。最后给出了编织复合材料结构损伤大小伤识别及定位的算例，仿真结果表明RBF神经网络速度快，稳定性好，精度高，在复合材料结构损伤监测中具有光明的应用前景和重要的工程应用价值。     

基于神经网络的乳儿产品交互性设计评价

目的基于RBF神经网络研究一种乳儿产品交互性设计评价的方法。方法针对乳儿产品交互性评价的3个指标,即"使用性、教育性、娱乐性"及其子指标,运用ANP网络分析法来确定各指标在总体评价中占有的权重;然后据此建立基于RBF神经网络的乳儿产品交互性设计评价模型,并用实际案例来验证其可行性。结论该评价方法经实际验证,其评价效果客观合理,对于更精确地对乳儿产品的交互性设计进行评价有一定的参考价值。     

基于模糊RBF神经网络的水下机械臂控制研究

针对水下复杂工作环境下机械臂控制性能易受影响,而传统控制方法效果不佳的问题,提出了一种基于模糊RBF（radial basis function,径向基函数）神经网络的智能控制器,用于精确、稳定地控制水下机械臂。考虑到在水扰动环境下,机械臂通常受到附加质量力、水阻力和浮力的影响,运用拉格朗日法和Morison方程,建立包含水动力项的二杆机械臂动力学模型,通过模糊RBF神经网络对水下机械臂动力学方程中的水动力不确定项进行总体识别并拟合,利用模糊系统启发式搜索和RBF神经网络推理速度较快的优点,使水下机械臂系统具有较高的控制精度和较强的自适应性。考虑到水动力项,采用Lyapunov稳定性理论验证了水下机械臂系统的稳定性。最后利用MATLAB对二杆机械臂进行轨迹跟踪控制仿真实验,并对比模糊RBF神经网络与常规RBF神经网络识别方法和传统模糊控制方法的控制效果。仿真结果表明：与常规RBF神经网络识别方法相比,模糊RBF神经网络控制下二杆机械臂关节1的响应时间缩短了91%,相对误差减小了88%,关节2的响应时间缩短了92%,相对误差降低了77%;与传统模糊控制方法相比,关节1的相对误差减小了65%,关节2的相对误差减小了10%。研究结果表明模糊RBF神经网络的控制效果优于常规RBF神经网络识别方法和传统模糊控制方法,可为水下机械臂的控制提供一种精度较高、较有效的方法。