基于聚类算法的模糊神经网络MCP预测方法研究

本文提出采用聚类算法的模糊神经网络来预测MCP。该预测模型结构简单,是数据驱动的模型,通过对输入输出数据对的模糊C均值聚类确定模糊规则的数目,解决了全连接模糊神经网络模糊规则数目难以确定以及网络复杂所带来的训练时间长的问题。     

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神经网络的平均相对误差和最大相对误差均较低.通过两种不同方式构建的RBF神经网络都具有较高的预测精度,并且K-均值聚类RBF神经网络具有更高的预测精度,更适用于预测硬质阳极氧化膜的硬度.     

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。     

基于混合评价指标的自组织模糊神经网络设计研究

针对在无增长和修剪阈值时模糊神经网络结构难以自适应问题,提出一种基于混合评价指标(hybrid evaluation index, HEI)的结构设计方法。首先,通过模糊C均值聚类算法(fuzzy C-means clustering, FCM)确定初始规则层神经元数目及其中心与宽度。其次,基于戴维森堡丁指数(Davies bouldin index, DBI)和邓恩指数(Dunn index, DI)提出一种新的相关性评价指标(relevance evaluation index, REI)来计算规则层各神经元输出之间的相关性,同时根据训练过程中网络输出均方根误差(root mean square error, RMSE)的变化情况来确定网络的学习能力,然后基于REI和RMSE提出了HEI。通过HEI来调整模糊神经网络的拓扑结构,有效解决了在无增长和修剪阈值时网络结构难以动态自调整的问题且避免了网络结构冗余。最后,通过对Mackey-Glass时间序列预测、非线性系统辨识和大气中PM_2.5浓度预测,证明了该结构设计方法的可行性和有效性。     

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BP、RBF神经网络的含蜡原油蜡沉积预测

基于冷蜡沉积实验装置所得实验数据,在分析BP、RBF神经网络结构原理的基础上,采用BP神经网络和RBF神经网络分别建立蜡沉积速率模型,计算预测蜡沉积速率,并且对比相同实验数据下两类神经网络模型对蜡沉积预测的精度。结果表明,BP神经网络和RBF神经网络预测精度均满足要求。BP神经网络预测时间要比RBF神经网络更长,而且当神经网络维数增加时预测值的精度不一定会增加;在模拟时要反复尝试隐含层节点个数和其他参数,而RBF神经网络在数据的训练过程中就已给出隐含层节点个数,学习速度更优于BP神经网络,对新数据的适应性更好,在满足精度条件下更易得到最优解。     

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.     

BP神经网络在乙烯裂解炉预测分析中的应用研究

利用MATLAB工具箱中的BP神经网络模型建立了乙烯裂解炉的三层神经网络模型,应用该模型分析和预测了裂解产物乙烯和丙烯的收率。预测结果与生产过程数据的比较表明,该模型能适合实际生产过程,可用于乙烯生产的预测分析和预测控制。     

基于RBF神经网络的轮胎滚动阻力建模研究

建立径向基函数(RBF)神经网络轮胎滚动阻力模型,充分利用RBF神经网络模型逼近精度高、训练速度快、无局部极小等优点,对轮胎滚动阻力进行全面、准确的预测。结果表明,轮胎滚动阻力RBF与反向传播算法(BP)神经网络模型预测值的平均相对误差分别为2%和6%左右,RBF神经网络模型在训练和预测结果上均有更大优势,能够有效预测轮胎滚动阻力。     

基于注意力模块化神经网络的城市固废焚烧过程氮氧化物排放预测

氮氧化物(nitrogen oxides,NO_x)浓度的实时精准检测是实现脱硝过程闭环控制的前提,对提高城市固废焚烧(municipal solid waste incineration,MSWI)过程脱硝效率具有重要意义。为此,提出了一种基于注意力模块化神经网络(attention modular neural network,AMNN)的MSWI过程NO_x排放预测方法。首先,模拟脑网络“分而治之”处理复杂任务的特性,利用模糊C均值(fuzzy C-means,FCM)聚类算法将待预测任务划分为多个子任务,从而降低预测任务复杂度;其次,针对各子任务,设计一种自组织模糊神经网络(self-organizing fuzzy neural network,SOFNN)构建子模型,通过神经元增删机制和二阶学习算法提高子模型的学习效率和学习精度;然后,提出了一种基于注意力机制的子模型整合策略,进一步提高预测模型的泛化性能;最后,通过基准实验Mackey-Glass时间序列预测和北京某MSWI厂实际数据验证了AMNN的可行性和有效性。     

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...     

输入训练神经网络的维数约简算法及其在化工过程建模中的应用

Many applications of principal component analysis （PCA） can be found in dimensionality reduction. But linear PCA method is not well suitable for nonlinear chemical processes. A new PCA method based on improved input training neural network （IT-NN） is proposed for the nonlinear system modelling in this paper. Momentum factor and adaptive learning rate are introduced into learning algorithm to improve the training speed of IT-NN. Contrasting to the auto-associative neural network （ANN）, IT-NN has less hidden layers and higher training speed. The effectiveness is illustrated through a comparison of IT-NN with linear PCA and ANN with experiments. Moreover, the IT-NN is combined with RBF neural network （RBF-NN） to model the yields of ethylene and propylene in the naphtha pyrolysis system. From the illustrative example and practical application, IT-NN combined with RBF-NN is an effective method of nonlinear chemical process modelling.     

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%.     

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。     

基于层次分析的FLANN神经网络研究及应用

针对传统函数链接型神经网络(functional link artificial neural networks,FLANN)不能有效处理化工过程中强耦合、带噪声的高维数据建模问题,提出了一种基于层次分析(analytic hierarchy process, AHP)的FLANN神经网络(AHP-FLANN)。通过层析分析模型过滤输入数据中的冗余信息,提取特征分量,并把提取的特征分量作为函数链接神经网络的输入进行建模。同时利用化工行业乙烯生产数据进行了验证,并和BP神经网络及FLANN神经网络进行了对比。结果表明,AHP-FLANN神经网络在处理复杂高维数据时具有收敛速度快、建模精度高、网络稳定性强等特点,同时能够指导乙烯生产,提高能效,具有良好的实用价值。     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

基于主元提取的鲁棒极限学习机研究及其化工建模应用

化工生产过程日益复杂，传统极限学习机(extreme learning machine, ELM)无法有效地对化工过程数据建模。针对该问题，提出一种基于主元提取(principal components extraction, PCE)的鲁棒极限学习机(PCE-RELM)。通过对ELM隐含层进行主元分析，提取数据的主元特征，去除变量间的线性相关性，简化研究问题。可以减小隐含层节点数对模型精度的影响，实现对ELM隐含层节点数的快速随机选取，同时使ELM具有鲁棒性。为验证提出方法的有效性，将PCE-RELM模型应用于精对苯二甲酸(purified terephthalic acid,PTA)生产过程建模。仿真结果显示，相比传统的ELM，PCE-RELM模型具有设计简单、鲁棒性好、精度高等优势，可以对化工过程控制、分析起到指导作用。     

基于人工神经网络的炸药性能研究

为了解人工神经网络方法在炸药性能预测的应用及发展,分析总结了BP神经网络在炸药性能预测方面的应用。选取合适的参考量作为输入,建立BP网络学习样本、训练样本,构建网络,训练并优化网络,调整隐含层节点数和迭代次数,使得预测误差处于可接受范围。通过对炸药的装药密度、爆热、爆速以及撞击感度等性能的研究,认为人工神经网络会对炸药更多的性能进行精确的预测,有重要参考价值。     

基于模糊RBF神经网络的无刷直流电机调速控制

针对无刷直流电机的速度控制,把模糊控制与神经网络原理相结合,提出了基于模糊RBF神经网络的PID控制方法,该网络具有自适应性。利用最小均方差来调整网络的权值,使径向基函数快速收敛,获得较佳PID控制参数,达到对转速跟随控制。同时自适应网络对整个系统的动态性能起到了改善作用。仿真结果表明该方法具有很好的控制效果。